Штучний інтелект

Анотація: У статті пропонується алгоритм об’єднання бінарних властивостей, широко використовуваних на практиці при розробці систем автоматичного аналізу візуальної інформації, у вигляді МКВ-класифікатора. Розглядаються питання навчання й використання МКВ-класифікаторів для вирішення завдань виявлення й розпізнавання об’єктів. Запропоновані алгоритми навчання дозволяють генерувати більш ефективні вирішуючи правила в порівнянні з відомим алгоритмом AdaBoost, зокрема істотно скоротити число використовуваних властивостей при однаковій якості класифікації за рахунок більш точного опису положення об’єктів у просторі ознак. Можливість представлення МКВ-класифікатора у вигляді дерева рішень дозволяє істотно збільшити обчислювальну ефективність процесу класифікації.

Ключові слова: розпізнавання зображень, виявлення об’єктів, аналіз зображень, класифікація зображень

Посилання:

1. Paul Viola. Jones. Robust real-time object detection / Paul Viola and J. Michael // In Proc. of IEEEWorkshop on Statistical and Computational Theories of Vision, 2001.
2. Bradski G. Learning-based computer vision with Intel’s open source computer vision library / G. Bradski,A. Kaehler, V. Pisarevsky //I ntel Technology Journal. http://develiper.intel.com/technology/itj/index.htm.
3. Robert E. Schapire. Boosting the margin: A new explanation for the effectiveness of voting methods / Robert E.Schapire, Y. Freund Bartlett P, W.S. Lee // In Proc. Of the Fourteenth International Conference on MachineLearning, 1997.
4. Schapire R.E. Improved Boosting Algorithms Using Confidence-rated Predictions / R.E. Schapire and Y. Singer //Proceedings of Machine Learning. 1999, 297-336.
5. Robert E. Schapire. The boosting approach to machine learning: An overview / Robert E. Schapire. // In MSRIWorkshop on Nonlinear Estimation and Classification, 2002.
6. Мурыгин К.В. Особенности реализации алгоритма AdaBoost для обнаружения объектов наизображениях / К.В. Мурыгин // Искусственный интеллект. – 2009. – № 3. – С. 573-581.