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


Контакты

Подписка

Карта сайта





Журнал с 19.02.2010 входит в новый «Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертации на соискание ученой степени доктора и кандидата наук»
Аннотации (12.2016) : МОДИФИКАЦИЯ МЕТОДА РАСПОЗНАВАНИЯ ОБРАЗОВ ПО КРИТЕРИЮ БЛИЖАЙШЕГО СОСЕДА С ИСПОЛЬЗОВАНИЕМ ЛОКАЛЬНОЙ МЕТРИКИ

МОДИФИКАЦИЯ МЕТОДА РАСПОЗНАВАНИЯ ОБРАЗОВ ПО КРИТЕРИЮ БЛИЖАЙШЕГО СОСЕДА С ИСПОЛЬЗОВАНИЕМ ЛОКАЛЬНОЙ МЕТРИКИ

 

 

© 2016 г.     А. С. Потапов*,**, доктор техн. наук

*   Университет ИТМО, Санкт-Петербург

** АО “Государственный оптический институт им. С.И. Вавилова”, Санкт-Петербург

Е-mail: pas.aicv@gmail.com

В работе проведён анализ причин недостаточной эффективности метода ближайшего соседа по сравнению с сетями глубокого обучения. В качестве первичной причины выделена некорректность использования евклидова расстояния до ближайшего соседа при оценке расстояния от распознаваемого образа до области, занимаемой классом. Для её устранения необходимо строить локальную оценку метрики. Предложен способ выполнения такой оценки, совмещающий идеи “тангенсального расстояния” и расстояния Махаланобиса, и разработана модификация метода ближайшего соседа на его основе. Эксперименты показали снижение ошибок распознавания на базе MNIST с 3,8% до 0,8%, что также меньше, чем 1,1% ошибок в модификации метода ближайшего соседа на основе “тангенсального расстояния”, вычисление которого при этом требует априорной информации о допустимых трансформациях образов.

Ключевые слова: распознавание образов, метод ближайшего соседа, MNIST.

Коды OCIS: 150.1135

УДК 004.932

Поступила в редакцию 08.06.2016.

ЛИТЕРАТУРА

1.         Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks. 2015. V. 61. P. 85–117.

2.         Луцив В.Р. Сверточные искусственные нейронные сети глубокого обучения // Оптический журнал. 2015. Т. 82. № 8. С. 11–23.

3.         Le Cun Y. The Unreasonable effectiveness of deep learning. [Электронный ресурс]. Режим доступа: https://www.cs.princeton.edu/events/event/unreasonable-effectiveness-deep-learning, свободный. Яз. англ. (дата обращения 18.05.2016).

4.        Le Cun Y., Cortes C., Burges C.J. The MNIST database of handwritten digits. [Электронный ресурс]. Режим доступа:  http://yann.lecun.com/exdb/mnist/, свободный. Яз. англ. (дата обращения 18.05.2016).

5.         Bengio Y. Deep learning of representations for unsupervised and transfer learning // JMLR W&CP. 2012. V. 27. P. 17–36.

6.        Малашин Р.О., Кадыков А.Б. Исследование обобщающих способностей свёрточных нейронных сетей при формировании признаков, инвариантных к вращению // Оптический журнал. 2015. Т. 82. № 8. С. 24–32.

7.         Simard P., Le Cun Y., Denker J.S. Efficient pattern recognition using a new transformation distance // Advances in Neural Information Processing Systems. 1992. V. 5. P.  50–58.

8.        Le Cun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition // Proceedings of the IEEE. 1998. V. 86. № 11. P. 2278–2324.

9.        Yang L., Jin R., Sukthankar R., Liu Y. An efficient algorithm for local distance metric learning // Proc. 21st  National Conference on Artificial Intelligence. USA: Boston, Massachusetts. 2006. V. 1. P. 543–548.

10.       Wang J., Woznica A., Kalousis A. Parametric local metric learning for nearest neighbor classification // [Электронный ресурс]. Режим доступа: http://arxiv.org/abs/1209.3056, свободный. Яз. англ. (дата обращения 18.05.2016).

 

 

Полный текст