Глава 5. Распознавание образов и компьютерное зрение

5.1. Проблема обучения в системах компьютерного зрения (Потапов)

На 9-м семинаре А.С. Потапов выступил с докладом «Проблема обучения в системах компьютерного зрения». Содержание доклада:

1. Тенденции в области компьютерного зрения по материалам симпозиума «Defense, security and sensing 2010».
2. Проблема обучения и индуктивного вывода.
3. Байесовский критерий выбора гипотез.
4. Принцип минимальной длины описания.
5. Проблема анализа изображений как пример задачи индуктивного вывода.
6. Проблема выбора представлений изображений в системах компьютерного зрения. «Сильное» обучение как автоматический выбор представлений.
7. Принцип репрезентационной минимальной длины описания.
8. Примеры обучения в задачах сегментации и выбора локальных признаков как адаптации к предметной области.

Источник: Потапов А.С., 9-й семинар (article_0061.md).

5.2. Байесовский критерий выбора гипотез

Байесовский критерий используется для выбора наиболее вероятной гипотезы на основе данных. Это один из фундаментальных подходов к решению задачи обучения и индуктивного вывода в компьютерном зрении.

Источник: Потапов А.С., 9-й семинар (article_0061.md).

5.3. Принцип минимальной длины описания (MDL)

Лучшая модель — та, которая сжимает данные максимально. Принцип минимальной длины описания применяется к выбору представлений изображений в системах компьютерного зрения.

Принцип репрезентационной минимальной длины описания

Расширение принципа MDL на выбор представлений — автоматический подбор наилучшего способа кодирования изображений для задачи распознавания.

Источник: Потапов А.С., 9-й семинар (article_0061.md).

5.4. Теория разумных систем: сравнение образов (Безобразов)

М.В. Безобразов разработал оригинальный алгоритм сравнения образов в рамках «Теории разумных систем». Цель — создание подробного описания алгоритма функционирования любой разумной системы.

Определение образа

Образ — это подмножество некоего изначального множества. Каждый элемент множества Органа Чувств (ОЧ) имеет двоичную природу — либо активен, либо нет (0 или 1). Например, орган зрения человека — это множество около 180 млн клеток — нейронов сетчатки. Когда мы видим конкретный образ, активируется часть нейронов из этого множества.

Мера близости элементов образа

Каждый элемент множества Органа Чувств является отдельным образом. Мера сравнения двух образов основана на совокупной мере похожести (близости) активных элементов этих образов. Мера похожести элементов носит ассоциативный характер — более похожи элементы, которые чаще активировались вместе:

Где:
Б (Эт;Эл) — близость элемента Эт и Эл.
КОтл — кол-во образов из памяти П, в которых присутствовали оба элемента Эт и Эл.
КОт — количество образов, в которых присутствовал элемент Эт.

Пример вычисления

Множество органа чувств состоит из 3 элементов. В памяти содержится 4 образа:

Образ 1	1	0	1
Образ 2	0	1	1
Образ 3	1	0	1
Образ 4	1	1	1

Рассчитаем близость первого и третьего элемента Б(1,3). Всего в памяти 1 элемент активизировался 3 раза. Одновременно 1 и 3 элемент активизировались 3 раза.
Б(1,3) = 3/3 = 1.

Матрица близости элементов:

Элемент	1	2	3
1	1	0,33	1
2	0,5	1	1
3	0,75	0,5	1

Коэффициент сравнения образов

Степень похожести образов выражается как средняя близость активных элементов в обоих образах:

Где:
С — мера сравнения и близости двух образов.
От — образ Т.
Ол — образ Л.
Ат и Ал — количество активных элементов в образах От и Ол.
Б (а, г) — близость элементов а и г.

Если в каждом образе по 10 активных элементов, суммируется 100 близостей. Потом сумма делится на 100. Коэффициент сравнения двух разных образов — средняя близость активных элементов данных образов.

Свойства операции сравнения образов:

• Операция вычисления похожести элементов образов не является коммутативной: Б (Эт;Эл) ≠ Б (Эл;Эт).
• Операция вычисления похожести самих образов тоже не коммутативна: С (От, Ол) ≠ С (Ол, От).
• Результаты вычисления полностью зависят от опыта субъекта — нет никакой априорной, изначальной метрики.
• При работе с графическими образами важную роль играет выбор метода бинаризации изображений.
• Качество распознавания зависит от количества образов в памяти и от сложности образов (размерности множества элементов образа).

Источник: Безобразов М.В., «Формализация алгоритма сравнения образов в рамках Теории разумных систем» (article_0093.md, частично).

5.5. Модель зрительного внимания (Пименов)

На 8-м семинаре В.Ю. Пименов выступил с докладом «Методика повышения быстродействия сопоставления изображений с использованием модели системы зрительного внимания». Содержание доклада:

1. Проблема сопоставления изображений в задачах навигации мобильных роботов.
2. Избыточность контрольных точек и методика ее устранения для повышения быстродействия.
3. Функция заметности ключевых точек на основе модели системы зрительного внимания.
4. Результаты экспериментальной проверки.

Источник: Пименов В.Ю., 8-й семинар (article_0060.md).

5.6. Вывод главы

Источник: статьи Потапова (article_0061.md), Безобразова (article_0093.md), Пименова (article_0060.md).