Публікація:
Методи і моделі толерантної кластеризації у колекціях зображень

dc.contributor.authorБогучарський, С. І.
dc.date.accessioned2016-09-13T06:55:17Z
dc.date.available2016-09-13T06:55:17Z
dc.date.issued2016
dc.description.abstractДисертація присвячена розвитку моделей і методів сегментації візуальної інформації у просторі зображень на основі фрагментної обробки. Введені матричні модифікації методів кластеризації CLARANS для обробки масивів відеоспостережень у великих базах відеоданих, DBSCAN для сегментації зображень з нечіткими границями між областями довільної форми. Отримані фрагментні методи, засновані на використанні розподілів даних та рекурентній оптимізації, що дозволяють формувати сегменти довільної форми при високому рівні завад. Запропонована матрична модифікація методу кластеризації X-середніх, а також модифікації J -середніх и нечітких J -середніх, що дають можливість забезпечити досягнення більш глибокого екстремуму прийнятої цільової функції якості сегментації. Розроблений метод напівконтрольо- ваного матричного векторного квантування для аналізу текстур – сегментації послідовності зображень, що дозволяє обробляти відеодані як у режимі навчання з вчителем, так і самонавчання у послідовному режимі. Обговорені результати експериментальних досліджень. The thesis is devoted development of models and methods of visual information segmentation in image space on windows processing basis. Matrix modifications of clustering methods, viz CLARANS for video streams processing in very large video data bases and DBSCAN for image segmentation with fuzzy boundaries between arbitrary shape regions, are introduced. Window methods based on data distributions and recurrent optimisation, that allow to form clusters with any shape at high noise level, have been proposed. Matrix modification of Xmeans and also modifications of J-means and fuzzy J-means, which provide possibilities to ensure reaching of deeper extremum of the accepted goal function of segmentation quality, is offered. The method of semicontrolled matrix vector quantization is developed for textures analysis (segmentations of image sequences), allowing to process video data in sequential mode both learning with the teacher and selflearning. Results of experimental investigations are discussed.uk_UA
dc.identifier.citationБогучарський С. І. Методи і моделі толерантної кластеризації у колекціях зображень : автореф. дис. ... канд. техн. наук : 05.13.23 "Системы и средства искусственного интеллекта" / С. И. Богучарский ; М-во образования и науки Украины, Харьк. нац. ун-т радиоэлектроники. – Харьков, 2016. – 150 с.uk_UA
dc.identifier.urihttp://openarchive.nure.ua/handle/document/2423
dc.language.isoukuk_UA
dc.subjectкластеризаціяuk_UA
dc.subjectсегментаціяuk_UA
dc.subjectзображенняuk_UA
dc.subjectвідеоданіuk_UA
dc.subjectфраментна обробкаuk_UA
dc.subjectclusteringuk_UA
dc.subjectsegmentationuk_UA
dc.subjectimageuk_UA
dc.subjectvideo datauk_UA
dc.subjectwindow processinguk_UA
dc.titleМетоди і моделі толерантної кластеризації у колекціях зображеньuk_UA
dc.typeArticleuk_UA
dspace.entity.typePublication

Файли

Оригінальний пакет
Зараз показано 1 - 1 з 1
Завантаження...
Зображення мініатюри
Назва:
Bogucharskiy.pdf
Розмір:
365.18 KB
Формат:
Adobe Portable Document Format
Ліцензійний пакет
Зараз показано 1 - 1 з 1
Немає доступних мініатюр
Назва:
license.txt
Розмір:
9.42 KB
Формат:
Item-specific license agreed upon to submission
Опис:

Колекції