ПОРІВНЯЛЬНИЙ АНАЛІЗ МЕТОДІВ ВИЗНАЧЕННЯ ЗОБРАЖЕННЯ, ОТРИМАНИХ ВІД ДАТЧИКІВ ВИДИМОГО СПЕКТРУ

Автор(и)

DOI:

https://doi.org/10.28925/2663-4023.2020.8.149164

Ключові слова:

класифікація образів, багатопотоковість; машинне навчання, метод потенціалів, метод потенціалів на полі рецепторів

Анотація

Сьогодні, в епоху інтеграції систем штучного інтелекту майже в кожній галузі при впровадженні в системи підтримки прийняття рішень дуже затребувані автономні агенти, що вимагає дослідження методів класифікації. Порівняємо аналіз методу семантичних площин, методу потенціалів та методу потенціалу в області рецепторів. Спочатку у вступі автори демонструють потреби в автономних системах адаптивного сприйняття у видимому діапазоні спектра. Як особливу мету ці методи порівнюються за критеріями швидкості, точності та кількості зберігання, що використовуються після навчання. Як загальна ідея, яку ми шукаємо, ми шукаємо методику найкращого поєднання методів для різних умов у полі спостереження зорового спектрального діапазону. У роботі представлені теорії кожного методу, а потім показані таблиці порівняльного аналізу результатів. Покрокові порівняльні експерименти детально описані. Зміни на кожному кроці детально відображаються у відповідних  таблицях. Більше того, наприкінці статті представлені порівняльні характеристики кожного методу з однаковим часом навчання в однакових типах експериментів для кожного методу. Як результат, у першій групі таблиць ми бачимо різницю у часі розпізнавання та кількості пам'яті, необхідної для правильної роботи. Це таблиці істинності для двох точок, трьох точок, двох точок і двох площин, трьох точок і двох площин, трьох точок і трьох площин, трьох точок і семи площин. Висновок дає ґрунтовне пояснення, де використовувати найкращий метод. Представлені потреби системи в обчислювальних ресурсах у застосуванні кожного режиму та виведені відповідні залежності. Далі, якщо відбувається навчання кілька разів на одному об’єкті (тобто навчання кілька разів), ви можете розраховувати, що помилки при розбитті простору рецепторів будуть різними. У цьому випадку можна покращити продуктивність алгоритму розпаралелюючи процес на кілька потоків. Використовуючи цей метод одночасно і незалежно один від одного на одному зображенні, це багатопотокове навчання на декількох ядрах комп'ютера. Розпізнаючи нові об’єкти, вони класифікуються не обов’язково як приналежні до одного класу. Остаточне рішення приймається «голосуванням» - об’єкт відноситься до зображення, до якого він був віднесений більшою кількістю паралельних потоків.

Завантаження

Дані завантаження ще не доступні.

Посилання

Arkadyev, A. G. Learning the machine for classifying objects / A. G. Arkadyev ,, E. M. Bravermai. - Moscow: “Science”, 1971. - 192 p. (In Russian).

Gritsik V.V. Technologii Maybutynogo izhivannya people // ISDMCI’2017. St. 55-57. (in Ukrainian).

Dronjuk I., Nazarkevych M., Troyan O. “The Modified Amplitude-Modulated Screening Technology for the High Printing Quality”, In: Czachorski T., Gelenbe E., Grochla K., Lent R. (eds) Computer and Information Sciences. ISCIS 2016. Communications in Computer and Information Science, vol 659. Springer, Cham, 2016. DOI: 10.1007 / 978-3-319-47217-1_29;

Complex software systems - heal thyself. Research * eu results supplement / - No. 25 / - June 2010. - P.28;

Find a digital partner to trust .- Reasearch * eu results supplement / - No. 25 / - June 2010. - P.34;

Seeing understands - using artificial intelligence to analyse multimedia content. .- Research * eu results supplement / - No. 25 / - June 2010. - P.36;

Software: running commentary for smarter surveillance? .- Reasearch * eu results supplement. - No. 24. - May 2010. - P.29;

V. Gritsik, A. Grondsal. The model of audio-visual speech // MK - ISDMCI'2015. - Conference Proceedings. - Kherson: KNTU, 2015 .-- 51-53p . (in Ukrainian).

V. Hrytsyk, A. Grondzal, A. Bilenkyj,. Augmented reality for people with disabilities // Proceedings of the International Conference on Computer Sciences and Information Technologies, CSIT’2015.

Samotyj, V. V., Dzelendzyak, U., Nazarkevych, M., & Riznyk, O. (2019). Detection of regularities in the parameters of the Ateb-Gabor method for biometric image filtration

Nazarkevych, M., Logoyda, M., Troyan, O., Vozniy, Y., & Shpak, Z. (2019, September). The Ateb-Gabor Filter for Fingerprinting. In International Conference on Computer Science and Information Technology (pp. 247-255). Springer, Cham.

Logoyda, M., Nazarkevych, M., Voznyi, Y., Dmytruk, S., & Smotr, O. (2019). Identification of Biometric Images using Latent Elements. CEUR Workshop Proceedings.

Gricik, V. V., Dronyuk, I. M., & Nazarkevich, M. A. (2009). Document protection information technologies by means of Ateb—functions I. Ateb-function base consistency for document protection. Problemy upravleniya i avtomatiki, 2, 139-152.

Mykhalyk, D., Mudryk, I., Hoi, A., Petryk, M. Modern Hardware and Software Solution for Identification of Abnormal Neurological Movements of Patients with Essential Tremor // 2019 9th International Conference on Advanced Computer Information Technologies, ACIT 2019 – Proceedings.

Mykhalyk, D., Petryk, M., Mariapetryk, K., Petryk, O., Mudryk, I. Mathematical Modeling of Hydrocarbons Adsorption in Nanoporous Catalyst Media using Nonlinear Langmuir's Isotherm using Activation Energy // 2019 9th International Conference on Advanced Computer Information Technologies, ACIT 2019 – Proceedings.

V.Hrytsyk. Future of Artificial Intelligence: treats and possibility // ITA’2017, (INFOS section) Proceedings. – Varna. – June,26-Luly,09. 10p.

Rogatinskiy, R., Hevko, I., Gypka, A., Garmatyk, O., Martsenko, S. Feasibility Study of the Method Choice of Manufacturing Screw Cleaning Elements with the Development and Use of Software // Acta Technologica Agriculturae. – 2019.

Vintsiuk, T.K. Optimal speech signal partition into one-quasiperiodical segments // 7th International Conference on Spoken Language Processing, ICSLP 2002

Vintsiuk, T.K., Sazhok, M.M. Speech analysis and recognition synchronised by one-quasiperiodical segmentation // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)

Dorosh, N., Ilkanych, K., Hrytsenko, V., (...), Bogatonkova, A., Dorosh, O. Mobile Infocommunication System for AdaptiveAnalysing of the Biomedical Indicators and Signals // International Scientific-Practical Conference on Problems of Infocommunications Science and Technology, PIC S and T 2018 – Proceedings.

Krak, I.V., Kudin, G.I., Kulyas, A.I. Multidimensional Scaling by Means of Pseudoinverse Operations // Cybernetics and Systems Analysis. – 2019.

Volodymyr P Kozhemyako, Leonid I Timchenko, Yuriy F Kutaev, Alexander A Gertsiy, Andriy A Yarovyy, Nataly I Kokryatskaya, Nikolay P Grebenyuk, Olexandr A Poplavskyy Analysis of the methodological approaches in connection with problem solving the extrapolation of object trajectory // Proceedings Volume 5175, Laser Beam Shaping IV; (2003) https://doi.org/10.1117/12.507492; Event: Optical Science and Technology, SPIE's 48th Annual Meeting, 2003, San Diego, California, United States

Palagin, A.V., Kurgaev, A.F., Shevchenko, A.I. The Noosphere Paradigm of the Development of Science and Artificial Intelligence // Cybernetics and Systems Analysis. – 2017.

Shevchenko A. Design of the self-education robotics system // Proceedings - 2002 IEEE International Conference on Artificial Intelligence Systems, ICAIS 2002 (2002).

Downloads


Переглядів анотації: 768

Опубліковано

2020-06-25

Як цитувати

Hrytsyk , V. ., Nazarkevych , M. ., & Dyshko , A. . (2020). ПОРІВНЯЛЬНИЙ АНАЛІЗ МЕТОДІВ ВИЗНАЧЕННЯ ЗОБРАЖЕННЯ, ОТРИМАНИХ ВІД ДАТЧИКІВ ВИДИМОГО СПЕКТРУ. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 4(8), 149–164. https://doi.org/10.28925/2663-4023.2020.8.149164

Статті цього автора (авторів), які найбільше читають