• 2020 (Том 34)

Том 30 №3

Содержание

  1. СТРУКТУРНО-ФУНКЦИОНАЛЬНАЯ ОРГАНИЗАЦИЯ СЛУХОВОЙ КОРЫ МЛЕКОПИТАЮЩИХ КАК ОСНОВА КОРТИКАЛЬНОЙ ОБРАБОТКИ АКУСТИЧЕСКОЙ ИНФОРМАЦИИ. ОСОБЕННОСТИ СТРУКТУРНОЙ ОРГАНИЗАЦИИ
  2. ВЫДЕЛЕНИЕ НЕКОТОРЫХ ОСОБЕННОСТЕЙ НИЗКОЧАСТОТНОЙ ОГИБАЮЩЕЙ ТОНАЛЬНОГО СИГНАЛА НЕЙРОНАМИ СЛУХОВОГО ЦЕНТРА СРЕДНЕГО МОЗГА ЛЯГУШКИ
  3. РАЗЛИЧЕНИЕ ЗВУКОВЫХ СИГНАЛОВ С ГРЕБЕНЧАТЫМ СПЕКТРОМ НА ФОНЕ ШУМОВ РАЗНОГО СПЕКТРАЛЬНОГО СОСТАВА
  4. АДАПТАЦИЯ СЛУХОВОЙ СИСТЕМЫ КИТА БЕЛУХИ К ИНТЕНСИВНЫМ ЗВУКОВЫМ СИГНАЛАМ
  5. РОЛЬ СИМПАТОАДРЕНАЛОВОЙ СИСТЕМЫ В ИЗМЕНЕНИИ ЭЛЕКТРИЧЕСКОЙ АКТИВНОСТИ КОРЫ БОЛЬШИХ ПОЛУШАРИЙ И ГИПОТАЛАМУСА ПРИ ВОЗДЕЙСТВИИ ВИБРАЦИИ
  6. ЦИКЛИЧЕСКИЙ ПОЛИПЕПТИД PP-14 МОДУЛИРУЕТ ПОТЕНЦИАЛОЧУВСТВИТЕЛЬНОСТЬ МЕДЛЕННЫХ НАТРИЕВЫХ КАНАЛОВ
  7. ПОСТРОЕНИЕ ОПТИМАЛЬНЫХ КАСКАДОВ ВИОЛЫ–ДЖОНСА ПРИ ПОМОЩИ “ЖАДНЫХ” АЛГОРИТМОВ ПЕРЕБОРА УПРАВЛЯЮЩИХ ПАРАМЕТРОВ С ПРОМЕЖУТОЧНЫМ КОНТРОЛЕМ ПО ВАЛИДАЦИОННОЙ ВЫБОРКЕ
  8. АНОМАЛЬНАЯ ПОЛОСА В СПЕКТРЕ КРУГОВОГО ДИХРОИЗМА ХОЛЕСТЕРИЧЕСКИХ ЖИДКОКРИСТАЛЛИЧЕСКИХ ДИСПЕРСИЙ ДНК – АНАЛИТИЧЕСКИЙ КРИТЕРИЙ ДЛЯ ОБНАРУЖЕНИЯ ОКРАШЕННЫХ БИОЛОГИЧЕСКИ АКТИВНЫХ СОЕДИНЕНИЙ

ПОСТРОЕНИЕ ОПТИМАЛЬНЫХ КАСКАДОВ ВИОЛЫ–ДЖОНСА ПРИ ПОМОЩИ “ЖАДНЫХ” АЛГОРИТМОВ ПЕРЕБОРА УПРАВЛЯЮЩИХ ПАРАМЕТРОВ С ПРОМЕЖУТОЧНЫМ КОНТРОЛЕМ ПО ВАЛИДАЦИОННОЙ ВЫБОРКЕ

© 2016 г. И. В. Поляков, Е. Г. Кузнецова, С. А. Усилин1, Д. П. Николаев2

Институт проблем передачи информации им. А.А. Харкевича РАН 127051 Москва, Большой Каретный пер., 19
polyakov@visillect.com
1Федеральный исследовательский центр “Информатика и управление” РАН 119333, Москва, ул. Вавилова, 44/2
2Московский физико-технический институт (государственный университет) 141700, Московская область, г. Долгопрудный, Институтский переулок, 9

Поступила в редакцию 18.04.2016 г.

На сегодняшний день в техническом зрении задача детектирования объектов в видеопотоке считается в целом решенной. Одним из самых распространенных методов решения этой задачи является обучение каскада Виолы–Джонса. Однако она оказывается весьма сложной при детектировании вариабельных по форме объектов в условиях естественного освещения, создающего контрастные тени. В этом случае требуется либо использование каких-то других методов, либо принципиальное улучшение методики обучения. В работе рассматривается проблема выбора параметров обучения каскада Виолы–Джонса для оптимизации получаемого детектора в пространстве “селективность – специфичность – производительность”. Исследуется “жадный” алгоритм перебора параметров на каждом уровне. Показано, что качество работы детектора существенно повышается при использовании промежуточного контроля очередного уровня каскада по валидационной выборке. Приведены количественные оценки достигаемого улучшения в случае детекции объектов в неконтролируемых естественных условиях.

Ключевые слова: каскады Виолы–Джонса, машинное обучение, детекция объектов, оптимизация параметров обучения, распознавание в неконтролируемых условиях, распознавание в видеопотоке

Цитирование для раздела "Список литературы": Поляков И. В., Кузнецова Е. Г., Усилин С. А., Николаев Д. П. Построение оптимальных каскадов виолы–джонса при помощи “жадных” алгоритмов перебора управляющих параметров с промежуточным контролем по валидационной выборке. Сенсорные системы. 2016. Т. 30. № 3. С. 241-248.
Цитирование для раздела "References": Polyakov I. V., Kuznetsova E. G., Usilin S. A., Nikolaev D. P. Postroenie optimalnykh kaskadov violy–dzhonsa pri pomoshchi “zhadnykh” algoritmov perebora upravlyayushchikh parametrov s promezhutochnym kontrolem po validatsionnoi vyborke [Training optimal viola–jones detectors using greedy algorithms for selecting control parameters with intermediate validation on each level]. Sensornye sistemy [Sensory systems]. 2016. V. 30(3). P. 241-248 (in Russian).

Список литературы:

  • Жердев Д.А., Казанский Н.Л., Фурсов В.А. Распознавание объектов на радиолокационных изображениях c использованием показателей сопряжённости и опорных подпространств // Комп. опт. 2015. Т. 39. No 2. С. 255–264
  • Минкина А.Г.,ГригорьевА.С.,УсилинС.А.,Полевой Д.В., Николаев Д.П. Обобщение метода Виолы и Джонса в виде решающего дерева сильных классификаторов для распознавания объектов в видеопотоке в режиме реального времени // Информационные технологии и системы. 2014. С. 158–163
  • Усилин С.А., Николаев Д.П., Шоломов Д.Л., Арлазаров В.В. Распознавание гильоширных элементов: определение страниц паспорта РФ // Сб. тр. Ин-та системного анализа РАН. Обработка информационных и графических ресурсов. 2013. Т. 63. С. 106–110
  • Усилин С.A., Николаев Д.П., Постников В.В. Локализация, ориентация и идентификация документов с фиксированной геометрией на изображении // Тр. Ин-та системного анализа РАН. Обработка информационных и графических ресурсов. 2010. 248–261
  • Chochia P., Milukova O. Comparison of two-dimensional variations in the context of the digital image complexity Assessment // J. Communicat. Technol. Electronics. 2015. V. 60. No 12. P. 1432–1440.
  • Chiu C.C., Ku M. Y., Wang C.Y. Traffic surveillance system for Vision-Based vehicle recognition and tracking // J. Inform. Sc. Engin. 2010. V. 26. P. 611–629.
  • Freund Y., Schapire R. A decision-theoretic generalization of on-line learning and an application to boosting // J. Comp. System Sciences. 1997. V. 55. P. 119–139.
  • Karpenko S., Konovalenko I., Miller A., Miller B., Nikolaev D. Visual navigation of the UAVs on the basis of 3D natural landmarks // Proc. SPIE. 8th Internat. Conf. Machine Vision. 2015. V. 9875. P. 1–10.
  • Konovalenko I., Miller A., Miller B., Nikolaev D. UAV navigation on the basis of the feature points detection on underlying surface // Proc. 29th Europ. Conf. Modell. Simulat. 2015. P. 499–505.
  • Kuznetsova E., Shvets E., Nikolaev D. Viola–Jones based hybrid framework for real-time object detection in multispectral images // Proc. SPIE. Eighth Internat. Conf. Machine Vision. 2015. V. 9875. P. 1–6.
  • Minkina A., Nikolaev D., Usilin S., KozyrevV.
  • Generalization of the Viola–Jones method as a decision tree of strong classifiers for real-time object recognition in video stream // Proc. SPIE. 7th Internat. Conf. Machine Vision. 2015. V. 9445. P. 1–5.
  • Viola P., Jones M.J. Robust real-time face detection // Intern. J. Comp. Vision. 2004. V. 57. P. 137–154.
  • Yakimov P.Yu. Preprocessing digital Images for quickly and reliably detecting road signs // Pattern Recogn. Image Analysis. 2015. V. 25(4). P. 729–732.