Компьютерная Графика и Мультимедиа Сетевой журнал

Усиление простых классификаторов - подход к решению задачи классификации (распознавания), путём комбинирования примитивных <слабых> классификаторов в один <сильный>. Под <силой> классификатора в данном случае подразумевается эффективность (качество) решения задачи классификации. В данной статье речь пойдёт о семействе алгоритмов, в основе которых лежит алгоритм AdaBoost (от английских слов <адаптивность> и <усиление>) описанный в 1996 Freund и Schapire [1]. Этот алгоритм был успешно использован во многих областях, в частности для задачи поиска лиц на изображении [5]. Подход усиления простых классификаторов применяется во многих задачах и до сих пор является объектом множества, как прикладных, так и теоретических исследований.

В задачах компьютерного зрения при анализе изображений зачастую
бывает необходимовыделять в изображении различные кривые (прямые,
окружности и т.д.). Для решения данной задачи существует целое
семейство методов, основанных на преобразовании Хафа. Теоретические
возможности этого преобразования позволяют не ограничиваться плоскостью
и дискретными кривыми, его можно применять для поиска кривых в облаке
точек на плоскости или в многомерном пространстве.Однако практическое
применение преобразования Хафа затрудняется высокой сложностью
алгоритма как по времени так и по памяти, поэтому большинство
модификаций метода направлено на его ускорение.

При решении задач распознавания зачастую требуется оценить качество разработанного алгоритма классификации. В ряде случаев требуется сравнить два алгоритма для выяснения лучшего. В данной статье рассказывается каким способом это можно сделать.К статье я написал небольшое продолжение в своей колонке. За ним прошу сюда. Вежневец Владимир04/02/2007

Деформируемые модели - это класс эффективных инструментов для решения
различных задач обработки изображений и машинного зрения, таких как
выделение краев, моделирование форм (как двумерных, так и трехмерных),
сегментация, определение границ объекта.

Нейронные сети применяются для решения задач классификации или
кластеризации многомерных данных. Основная идея лежащая в основе
нейронных сетей - это последовательное преобразование сигнала,
параллельно работающими элементарными функциональными элементами.

Нейронные сети применяются для решения задач классификации или
кластеризации многомерных данных. Основная идея лежащая в основе
нейронных сетей - это последовательное преобразование сигнала,
параллельно работающими элементарными функциональными элементами. В
данной статье рассмотрены наиболее популярные архитектуры нейронных
сетей.

Однородные координаты - мощный математический инструмент, находящий свое
применения в различных разделах компьютерной графики - геометрическом
моделировании, визуализации, машинном зрении и т.д. Однородные координаты
явно или неявно используются в любом графическом пакете на этапах
преобразования и затенения геометрии. Например, в OpenGL[4,1] или DirectX. В данной статье дается определение и некоторые
интересные свойства однородных координат.

Очень часто при решении какой-нибудь задачи обработки данных приходится
сталкиваться с необходимостью определить параметры модели, которой
должны удовлетворять имеющиеся исходные данные. В статье дается
подробный обзор алгоритмов оценки параметров модели.

В данной статье приводится краткий обзор Функций Радиального Вида (RBF), математического аппарата, свойства которого делают его привлекательным для решения некоторых задач компьютерной графики и ряда других областей.

Целый класс методов глобального поиска был построен по образу и
подобию, данному нам самой Природой. Природа давно экспериментирует со
своими игрушками - живыми существами, все время пытаясь найти наиболее
подходящих для себя. Ее эксперимент был назван Эволюцией. Поэтому и
методы, так или иначе копирующие Эволюцию получили название
эволюционных. Одним из самых распространенных классов этих методов
является семейство генетических методов, очень точно копирующих
созданное Природой.