ПОДАННЯ БАГАТОМІРНОГО РОЗПОДІЛУ ІМОВІРНОСТЕЙ БІНАРНИХ ОЗНАК В СИСТЕМАХ РОЗПІЗНАВАННЯ ОБ’ЄКТІВ
DOI:
https://doi.org/10.18372/2410-7840.25.18230Ключові слова:
системи розпізнавання, апроксимація, кореляційні зв’язки, бінарні ознакиАнотація
У статті розглядається проблема розпізнавання об'єктів за ознаками в процесі глибокого навчання і пропонується метод апроксимації багатовимірного дискретного розподілу ймовірностей ознак для ефективного використання пам'яті пристрою. Для досягнення високої точності розпізнавання в роботі використовується уніфікований підхід, який забезпечує адекватний баланс з точністю результатів при зменшенні обсягу пам'яті, необхідної для зберігання еталонних об'єктів. Автори статті розглядають важливість врахування кореляційних зв'язків між ознаками об'єктів, які сприяють підвищенню ефективності системи розпізнавання. Вони показують, що розрахунок розподілів ймовірностей на основі обмеженої кількості параметрів може значно зменшити обсяг навчальних даних, необхідних для встановлення стандартів класів для розпізнавання. Результати роботи підкреслюють, що метод складної апроксимації може бути успішно застосований на різних типах комп'ютерів, включаючи персональні комп'ютери та спеціалізовані цифрові пристрої. Результати цього дослідження є важливими в контексті розробки та оптимізації таких систем, оскільки вони спрямовані на покращення розпізнавання об'єктів у системах глибокого навчання в умовах обмежених ресурсів пам'яті та даних.
Посилання
Ито Т., Фукусима М., Судзуки К. Статистическая тео¬рия распознавания образов. «Мицубиси дэнки гихо», 1973, т. 47 № 8, С. 881-892.
Fukunaga K. Introduction to statistical pattern recognition. Second Edition. Academic Press, Inc., Boston, San Diego, New York, London, 1990. 591 p.
Duda R.O., Hart P.E., Stork D.G. Pattern classification (2nd edition), Wiley-Interscience, New York, 2001, 738 p.
Schlesinger M.I., Hlaváč V. Ten Lectures on Statistical and Structural Pattern Recognition // Computa-tional Imaging and Vision (CIVI), vol. 24. Kluwer Academic Publishers. Dordrecht / Boston / London, 2002. 519 p.
Ivakhnenko A.G., Ivakhnenko G.A. The Review of Problems Solvable by Algorithms of the Group Method of Data Handling (GMDH), Pattern Recognition and Image Analysis, vol.5, 4, 1995. pp. 527-535.
Bahadur R.R. A representation of the joint distribu-tion of responses to n dichotomous items, in Studies in Item Analysis and Prediction, pp. 158-168, H. Solomon, ed. (Stanford University Press, Calif., 1961).
Chow C.K., Liu C.N. Approximating discrete proba-bility distributions with dependence trees, IEEE Trans. Info. Theory, IT-14, pp. 462-467 (May 1968).
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
