Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (08.2015) : СВЕРТОЧНЫЙ АВТОЭНКОДЕР КАК ГЕНЕРАТИВНАЯ МОДЕЛЬ ИЗОБРАЖЕНИЙ ДЛЯ ЗАДАЧ ВЫДЕЛЕНИЯ ПРИЗНАКОВ И ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ В УТЕРЯННЫХ ОБЛАСТЯХ

СВЕРТОЧНЫЙ АВТОЭНКОДЕР КАК ГЕНЕРАТИВНАЯ МОДЕЛЬ ИЗОБРАЖЕНИЙ ДЛЯ ЗАДАЧ ВЫДЕЛЕНИЯ ПРИЗНАКОВ И ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ В УТЕРЯННЫХ ОБЛАСТЯХ

 

© 2015 г.     О. В. Щербаков; И. Н. Жданов; Я. А. Лушин, студент

университет ИТМО, Санкт-Петербург

Е-mail: yagich@bk.ru, scherbakovolegdk@yandex.ru,: zhdanovitmo@yandex.ru

В данной работе рассмотрен подход к описанию структуры моделей, способных к обучению представлениям с позиций генеративных моделей, в частности, подробно рассмотрена архитектура сверточного автоэнкодера. Также приведены достоверные качественные результаты работы сверточного автоэнкодера, которые показывают обоснованность рассмотрения данной модели как генеративной за счет возможности реализации процедур вывода и сэмплирования на примере решения задачи восстановления изображений в утерянных областях.

Ключевые слова: генеративные модели, сверточный автоэнкодер, восстановление изображений в утерянных областях.

Коды OCIS: 150.1135

УДК 004.932

Поступила в редакцию 30.03.2015.

ЛИТЕРАТУРА

1.         Potapov A.S. Comparative analysis of structural representations of images, based on the principle of representational minimum description length //Journal of Optical Technology. 2008. V. 75. Is. 11. P. 715–720. (Оптический журнал. 2008. Т. 75. № 11. 2008. С. 35–41.)

2.         Potapov A.S., Malyshev I.A., Puysha A.E., Averkin A.N. New paradigm of learnable computer vision algorithms based on the representational MDL principle // Proc. SPIE. 2010. V. 7696. P. 769606.

3.         Vincent P., Larochelle H., Lajole I., Bengio Y., Manzagol P.-A. Stacked denoising autoencoders: learning useful representations in a deep network with a local denoising criterion // Journal of Machine Learning Research. 2010. V. 11. P. 3371–3408.

4.        Masci J., Meier U., Ciresan D., Schmidhuber J. Stacked convolutional auto-encoders for hierarchical feature extraction // Lecture Notes in Computer Science. 2011. V. 6791. P. 52–59.

5.         Erhan D., Bengio Y., Courville A., Manzagol P.-A., Vincent P., Bengio S. Why does unsupervised pre-training help deep learning? // Journal of Machine Learning Research. 2010. V. 11. P. 625–660.

6.        Shcherbakov O., Batishcheva V. Image inpainting based on stacked autoencoders // Journal of Physics: Conference Series. 2014. V. 536. P. 012020.

7.         Potapov A.S., Scherbakov O.V., Zhdanov I.N. Method of prediction based on algorithmic probability in the problem of image restoration in missing regions // JOT. 2013. V. 80. Is. 11. P. 680–684. (Оптический журнал. 2013. Т. 80. № 11. С. 48–53.)

8.        Potapov A., Scherbakov O., Zhdanov I. Practical algorithmic probability: an image inpainting example // Proc. SPIE 9067. Sixth International Conference on Machine Vision (ICMV 2013). 2014. V. 9067. P. 906719-906719-5.

 

 

Полный текст >>>