Реконструкция функций и цифровых изображений по их знаковым представлениям

Автор: Мясников Владислав Валерьевич

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 6 т.43, 2019 года.

Бесплатный доступ

В работе рассматриваются вопросы реконструкции неявно заданных функций или цифровых изображений. Функции задаются с использованием наблюдений, каждое из которых представляет собой результат парного сравнения значений функции для двух случайных аргументов. Представлен анализ современного состояния исследований для частных постановок указанной проблемы: метода парных сравнений, используемого при принятии решений в случае конечного множества альтернатив; реконструкции предпочтений пользователей в многокритериальных задачах анализа; знаковых представлений изображений, используемых в качестве аппарата описания и анализа цифровых изображений. Предлагается унифицированный подход к реконструкции функций и изображений по их знаковым представлениям, основанный на переходе в пространство высокой размерности и построения линейного (для случая реконструкции функции и изображений) или нелинейного (в т.ч. непараметрического) классификатора (для реконструкции предпочтений). Для ряда алгоритмов классификации проведены экспериментальные исследования по оценке эффективности предложенного подхода на примере задачи реконструкции функции полезности в теории принятия решений и реконструкции функции яркости реальных изображений.

Еще

Парные сравнения, знаковое представление, функция полезности, функция предпочтения, выявление предпочтений, принятие решений, машинное обучение, цифровое изображение

Короткий адрес: https://sciup.org/140246529

IDR: 140246529   |   DOI: 10.18287/2412-6179-2019-43-6-1041-1052

Список литературы Реконструкция функций и цифровых изображений по их знаковым представлениям

  • He, D.C. Texture unit, texture spectrum, and texture analysis / D.C. He, L. Wang // IEEE Transactions on Geoscience and Remote Sensing. - 1990. - Vol. 28. - P. 509-512.
  • Цветков, О.В. Вычисление оценки энтропии биосигнала, инвариантной к изменению его амплитуды. с использованием рангового ядра // Известия вузов. Радиоэлектроника. - 1991. - Т. 34, № 8. - С. 108-110.
  • Цветков, О.В. Оценка близости числовых последовательностей на основе сопоставления их ранговых ядер // Известия вузов. Радиоэлектроника. -1992. - № 8. - С. 28-33.
  • Ojala, T. Performance evaluation of texture measures with classification based on Kullback discrimination of distributions / T. Ojala. M. Pietikainen, D. Harwood // Proceedings of the 12th IAPR International Conference on Pattern Recognition (ICPR 1994). - 1994. - Vol. 1. - P. 582-585.
  • Ojala, T. A comparative study of texture measures with classification based on feature distributions / T. Ojala, M. Pietikinen // Pattern Recognition. - 1996. - Vol. 29. -P. 51-59.
  • Pietikainen, M. Computer vision using local binary patterns / M. Pietikainen. A. Hadid, G. Zhao, T. Ahonen. -London: Springer-Verlag, 2011. - 212 p. -
  • ISBN: 978-085729-747-1
  • Brahnam, S. Local binary patterns: New variants and applications / S. Brahnam, C. Lakhmi, L. Nanni, A. Lumini. -Berlin, Heidelberg: Springer-Verlag, 2014.
  • Ojala, T. Multiresolution grayscale and rotation invariant texture classification with local binary patterns / T. Ojala, M. Pietikinen, T. Menp // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2002 - Vol. 24, Issue 7. - P. 971-987.
  • Гончаров, A.B. Исследование свойств знакового представления изображений в задачах распознавания образов / A.B. Гончаров // Известия ЮФУ. Технические науки. - 2009. - Тематический выпуск. - С. 178-188.
  • Каркищенко, А.Н. Исследование устойчивости знакового представления изображений / А.Н. Каркищенко // Автоматика и телемеханика. - 2010. - Т. 9. - С. 57-69.
  • Броневич, А.Г. Анализ неопределенности выделения информативных признаков и представлений изображений / А.Г. Броневич, А.Н. Каркищенко, А.Е. Лепский // М.: Физматлит, 2013. - 320 с.
  • Болдин, М. В. Знаковый статистический анализ линейных моделей / М.В. Болдин, Г.И. Симонова, Ю.Н. Тюрин; под ред. Е.Ю. Ходан. - М.: Наука, 1997. -288 с.
  • Мясников, В.В. Локальное порядковое преобразование цифровых изображений / В.В. Мясников // Компьютерная оптика. - 2015. - Т. 39, № 3. - С. 397405. -
  • DOI: 10.18287/0134-2452-2015-39-3-397-405
  • Bradley, R.A. Rank analysis of incomplete block designs: I. The method of paired comparisons / R.A. Bradley, M.E. Terry // Biometrika. - 1952. - Vol. 39, No. 3/4. -P. 324-345. -
  • DOI: 10.2307/2334029
  • Фишберн, П. Теория полезности для принятия решений / П. Фишберн; пер. с англ. - М.: Наука, 1978. - 352 с.
  • Preference learning / ed. by J. Furnkranz, E. Hullermeier. -Berlin, Heidelberg: Springer-Verlag, 2011. -
  • ISBN: 978-3642-14124-9
  • Murphy, K.P. Machine learning: A probabilistic perspective / K.P. Murphy. - MIT Press, 2012. - 1098 p.
  • Tsukida, K. How to analyze paired comparison data / K. Tsukida, M.R. Gupta. - UWEE Technical Report Number UWEETR-2011-0004. - Seattle, Washington: 2011. - 27 p.
  • Thurstone, L.L. A law of comparative judgment / L.L. Thurstone // Psychological Review. - 1927. - Vol. 34, No. 4. - P. 273-286. -
  • DOI: 10.1037/h0070288
  • Saaty, T.L. Relative measurement and its generalization in decision making why pairwise comparisons are central in mathematics for the measurement of intangible factors the analytic hierarchy/network process / T.L. Saaty // RACSAM - Revista de la Real Academia de Ciencias Exactas, Fisicas y Naturales. Serie A. Matematicas. - 2008. - Vol. 102, No. 2. - P. 251-318. -
  • DOI: 10.1007/BF03191825
  • Viappiani, P. Preference modeling and preference elicitation: An overview / P. Viappiani // CEUR Workshop Proceedings. - 2014. - Vol. 1278. - P. 19-24.
  • Guo, S. Real-time multiattribute Bayesian preference elicitation with pairwise comparison queries / S. Guo, S. Sanner // Journal of Machine Learning Research. - 2010. - Vol. 9. - P. 289-296.
  • Arentze, T.A. Adaptive personalized travel information systems: A bayesian method to learn users' personal preferences in multimodal transport networks / T.A. Arentze // IEEE Transactions on Intelligent Transportation Systems. -2013. - Vol. 14, Issue 4. - P. 1957-1966. -
  • DOI: 10.1109/TITS.2013.2270358
  • Campigotto, P. Personalized and situation-aware multimodal route recommendations: The FAVOUR algorithm / P. Campigotto, C. Rudloff, M. Leodolter, D. Bauer // IEEE Transactions on Intelligent Transportation Systems. - 2017. - Vol. 18, Issue 1. - P. 92-102. -
  • DOI: 10.1109/TITS.2016.2565643
  • Zhang, S. Deep learning based recommender system: A survey and new perspectives / S. Zhang, L. Yao, A. Sun, Y. Tay // ACM Computing Surveys. - 2019. - Vol. 52, Issue 1. - 5 (38 p.).
  • Melnikov, V. Pairwise versus pointwise ranking: A case study / V. Melnikov, P. Gupta, B. Frick, D. Kaimann, E. Hullermeier // Schedae Informaticae. - 2016. - Vol. 25. -P. 73-83. -
  • DOI: 10.4467/20838476SI.16.006.6187
Еще
Статья научная