УДК: 004.932, 004.855

Использование множественных представлений видеоинформации в системах автоматического анализа изображений

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Потапов А.С. Использование множественных представлений видеоинформации в системах автоматического анализа изображений // Оптический журнал. 2012. Т. 79. № 11. С. 16–20.

Vasil’ev V. N., Gurov I. P., Potapov A. S. Modern video informatics: problems and prospects [in English] // Opticheskii Zhurnal. 2012. V. 79. № 11. P. 16–20.

Ссылка на англоязычную версию:

A. S. Potapov, "Using multiple video-information representations in automatic image-analysis systems", Journal of Optical Technology. 79(11), 689-692 (2012)

Аннотация:

Проведен анализ необходимости одновременного использования многих представлений информации в системах обработки и анализа изображений. Исследовано различие между критериями Колмогоровской сложности и алгоритмической вероятности при решении задач индукции и принятия решений. Показано, что принятие оптимальных решений (например, в задачах распознавания или прогнозирования) требует использования многих представлений информации, в рамках которых конструируются альтернативные описания изображений. Выведен критерий репрезентационной алгоритмической вероятности для определения оптимального набора представлений по заданной выборке изображений.

Ключевые слова:

анализ изображений, представление информации, теория информации, алгоритмическая сложность

Коды OCIS: 150.1135

Список источников:

1. Марр Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов. М.: Радио и связь. 1987. 400 с.
2. Потапов А.С. Выбор представлений изображений на основе минимизации репрезентационной длины их описания // Изв. вузов. Приборостроение. 2008. Т. 51. № 7. С. 3–7.
3. Ковалевский В.А. Локальные и глобальные решения в распознавании изображений // ТИИЭР. 1979. Т. 67. № 5. С. 50–58.
4. Solomonoff R.J. Does Algorithmic Probability Solve the Problem of Induction? // Oxbridge Research, P.O.B. 391887, Cambridge, Mass. 02139. 1997.
5. Solomonoff R.J. Algorithmic Probability, Heuristic Programming and AGI // Proc. 3rd Conf. on Artificial General Intelligence (AGI-2010), Lugano, Switzerland. March 5–8, 2010. P. 151–157.
6. Poland J., Hutter M. MDL convergence speed for Bernoulli sequences // Statistics and Computing. 2006. 16. P. 161–175.
7. Bauer E., Kohavi R. An Empirical Comparison of Voting Classification Algorithms: Bagging, Boosting, and Variants // Machine Learning. 1999. V. 36. P. 105–139.
8. Potapov A.S. Synthetic pattern recognition methods based on the representational minimum description length principle // Proc. OSAV’2008, The 2nd Int. Topical Meeting on Optical Sensing and Artificial Vision, St. Petersburg, Russia. 12–15 may, 2008. P. 354–362.
9. Schapire R.E., Freund Y., Bartlett P., Lee W.S. Boosting the margin: a new explanation for the effectiveness of voting methods // Annals of Statistics. V. 26. № 5. P. 1651–1686.