Please use this identifier to cite or link to this item: http://essuir.sumdu.edu.ua/handle/123456789/46313
Or use following links to share this resource in social networks: Recommend this item
Title Інформаційно-екстремальне машинне навчання системи ідентифікації об’єктів на місцевості
Other Titles Информационно-экстремальное машинное обучение системы идентификации объектов на местности
Information-extremе machine learning for object identification on the terrain
Authors Moskalenko, Viacheslav Vasylovych  
Коробов, А.Г.
ORCID http://orcid.org/0000-0001-6275-9803
Keywords машинне навчання
дескриптор
розпізнавання
словник ознак розпізнавання
інформаційний критерій функціональної ефективності
оптимізація
машинное обучение
дескриптор
распознавания
словарь признаков распознавания
информационный критерий функциональной эффективности
оптимизация
machine learning
descriptor
unmanned aerial vehicle
class
feature set
information criterion
optimization
Type Article
Date of Issue 2016
URI http://essuir.sumdu.edu.ua/handle/123456789/46313
Publisher Сумський державний університет
License
Citation Москаленко, В.В. Інформаційно-екстремальне машинне навчання системи ідентифікації об’єктів на місцевості [Текст] / В.В. Москаленко, А.Г. Коробов // Журнал інженерних наук. - 2016. - Т.3, №1. - С. H1-H7.
Abstract У статті розглядається завдання ідентифікації об’єктів на місцевості, вхідний математичний опис яких формується шляхом синтезу глобальних дескрипторів на основі ключових фрагментів, що описуються локальними SURF-дескрипторами. Запропоновано метод оптимізації вхідного математичного опису інформаційно-екстремального класифікатора, що навчається за навчальними матрицям, вектори-реалізації яких складаються з компонентів глобального дескриптора. При цьому оптимальна в інформаційному сенсі розмірність глобального дескриптора визначається шляхом ітераційної процедури, що включає кластеризацію за методом К-середніх SURF-векторів ключових фрагментів, формування навчальної матриці та інформаційно-екстремального машинного навчання класифікатора об’єктів. Запропонований алгоритм інформаційно-екстремального навчання реалізує адаптивне кодування значень первинних ознак розпізнавання і використанням багаторівневої системи контрольних допусків та побудову гіперсферичних контейнерів класів розпізнавання в субпарацептуальному бінарному просторі вторинних ознак за послідовними процедурами оптимізації. Як критерій оптимізації запропоновано використовувати узагальнену модифікацію інформаційної міри C. Кульбака, що є функціоналом від помилки другого роду та першої достовірності прийняття рішень і дозволяє навчатися за нерівними вибірками.
В статье рассматривается задача идентификации объектов на местности, входящее математическое описание которых формируется путем синтеза глобальных дескрипторов на основе ключевых фрагментов, которые описываются локальными SURF-дескрипторами. Предложен метод оптимизации входного математического описания информационно-экстремального классификатора, учащегося по учебным матрицам, векторы-реализации которых состоят из компонентов глобального дескриптора. При этом оптимальная в информационном смысле размерность глобального дескриптора определяется путем итерационной процедуры, включая кластеризацию по методу К-средних SURF-векторов ключевых фрагментов, формирование учебной матрицы и информационно-экстремального машинного обучения классификатора объектов. Предложенный алгоритм информационно-экстремального обучения реализует адаптивное кодирование значений первичных признаков распознавания с использованием многоуровневой системы контрольных допусков и построение гиперсферических контейнеров классов распознавания в субпарацептуальном бинарном пространстве вторичных признаков по последовательным процедурам оптимизации. В качестве критерия оптимизации предложено использовать обобщенную модификацию информационной меры C. Кульбака, являющуюся функционалом от ошибки второго рода и первой достоверности принятия решений позволяющуюся учиться по неровным выборкам.
The article deals with the usage of a SURF local descriptor of key fragments to create a global descriptor BoF for objects of interest on terrain within task of recognition of armored technique in the controlled territory using images of air reconnaissance. The method of optimization of the input mathematical description of the information-extreme classifier trained on dataset, which consist of global descriptors BoF, is proposed. The optimal in information understanding dimensionality of a global descriptor is determined by iterative procedure, which includes k-means clustering of key fragment's SURF-vectors, training dataset creation and information-extreme machine learning of the classifier. The offered algorithm of information-extreme machine learning implements the adaptive coding of values of primary features using multilevel system of control permits, and creation of hyperspherical containers of classes in binary space of secondary features with sequential optimization procedures. It was suggested to use the rated modification of S. Kulbak's information measure, which is a function of false omission rate and positive predictive value of decision-making and it also allows machine learning on imbalanced dataset.
Appears in Collections: Journal of Engineering Sciences / Журнал інженерних наук

Views

Canada Canada
1
China China
1258638840
France France
3
Germany Germany
12675367
Ireland Ireland
782590
Italy Italy
2
Lithuania Lithuania
1
Netherlands Netherlands
1
Poland Poland
1
Romania Romania
1
Russia Russia
1
Singapore Singapore
1
Spain Spain
1
Ukraine Ukraine
15620416
United Kingdom United Kingdom
1693450562
United States United States
1824550862
Unknown Country Unknown Country
1824550863

Downloads

France France
1
Germany Germany
47466436
India India
1
Ireland Ireland
1
Lithuania Lithuania
1
Mexico Mexico
2
Moldova Moldova
1
Russia Russia
2
Thailand Thailand
1
Ukraine Ukraine
-1793310029
United Kingdom United Kingdom
37866
United States United States
-1467760389
Unknown Country Unknown Country
50

Files

File Size Format Downloads
Moskalenko_Korobov.pdf 918,07 kB Adobe PDF 1081401240

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.