Технологии классификации графических данных
Технологии классификации графических данных
Классические нейронные сети
Под определением нейронных сетей, далее - НС., таится целая линейка алгоритмов, которые можно назвать нейронными сетями. Главной идеей нейронной сети является последовательное изменение сигнала взаимно функционирующих простейших функциональных частей, нейронов. Главным правилом настройки НС является применение методик оптимизации, чтобы минимизировать ошибки, а также возможность переобучения. Основное достоинство нейросетей - гибкость сети. Возможности постоянного изменения нейросетей практически безграничны. Нейросет является классическим методом машинного наблюдения, хотя последнее время он стал терять свои популярности. Геометрически поверхность, разделяемая классами, имеет много гиперплосок. Все области, в которой гиперплоскость разбивает пространство для признаков X, принадлежит к одному классу. Существует множество методик обучения нейросетей, но все они направлены на минимизацию ошибок. Крайне важно, что найденное минимум будет локальное. Стоит заметить, что правильно определенные показатели не меняют оптимизированный функционал. Поэтому найденная поверхность разделения будет не единственной, а оптимальной. Системы определения объектов в изображениях на основе НС используют структуру иерархии. Вначале признаки вектора изменяются грубыми сетями с высокой ошибкой второго типа, а потом, если признаки не классифицированы не как элементы, выход исправляется более точными, но неоперативными сетями. Данный подход позволяет добиться вполне приемлемых результатов:
Содержание не найдено
Список литературы не найден
Известны плотности распределения классов py(x)=p(x|Ky),y∈Y, называемые функциями правдоподобия;
Известны вероятности появления объектов каждого из классов Py=P(Ky),y∈Y , называемые априорными вероятностями.
Учитывая данные гипотезы правило существует в виде:
maxy∈YP(Ky|x)=maxy∈Ypy(x)PyДоказано, что такой выход является лучшим со стороны минимизации общих рисков. В этом случае разделяющая поверхность не имеет четко выраженной геометрии. Старания дать оценку этим функциям назначения по обучающей выборке могут привести к некоторому выводу, невзирая на посредственную зависимость задачи, приводящую к вырождению решений.
Существуют алгоритмы поиска элементов на картинках, опирающиеся на «наивный» байесовский метод. Этот метод основан на построении практических плотностей вероятностей классов по выборке обучающего вектора, предполагая независимость компонентов признаков вектора.