Методы и принципы использования априорных знаний в задачах распознавания
DOI:
https://doi.org/10.14529/ctcr170302Ключевые слова:
распознавание образов, машинное обучение, сверточные нейронные сети, Deformable Parts Models, Implicit Shape Model, представление знанийАннотация
Использование априорных знаний является важной частью разработки систем распознавания образов. Зачастую именно правильное использование априорных знаний позволяет довести качество алгоритма распознавания до уровня практической применимости. Главное преимущество использования априорных знаний состоит в том, что алгоритмы классификации неизбежно подвержены ошибкам, в то время как априорные утверждения всегда верны. В статье продемонстрированы пути улучшения качества системы распознавания с помощью использования априорных знаний. Рассматривается процесс эволюции подходов к использованию знаний в системах технического зрения на примере задачи поиска объекта на изображении, проводится анализ преимуществ и недостатков данных методов. Сформулированы базовые принципы, на которых основано большинство способов использования знаний в алгоритмах распознавания.Библиографические ссылки
Felzenszwalb P.F., Girshick R.B., McAllester D., Ramanan D. Object Detection with Discriminatively Trained Part Based Models. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, vol. 32, no. 9, pp. 1627–1645. DOI: 10.1109/TPAMI.2009.167
Canavet O., Fleuret F. Efficient Sample Mining for Object Detection. Proceedings of the Asian Conference on Machine Learning (ACML), 2014, pp. 48–63.
Leibe B., Leonardis A., Schiele B. An Implicit Shape Model for Combined Object Categorization and Segmentation. Springer Berlin Heidelberg, 2006, pp. 508–524. DOI: 10.1007/11957959_26
Comaniciu D., Meer P. Mean Shift: A Robust Approach Toward Feature Space Analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, vol. 24. no. 5, pp. 603–619. DOI: 10.1109/34.1000236
State Farm Distracted Driver Detection. Available at: https://www.kaggle.com/c/state-farmdistracted-driver-detection (accessed March 2017).
Zhang S., Bauckhage C., Cremers A.B. Informed Haar-Like Features Improve Pedestrian Detection. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2014, pp. 947–954. DOI: 10.1109/cvpr.2014.126
Wei S.E., Ramakrishna V., Kanade T., Sheikh Y. Convolutional Pose Machines. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 4724–4732. DOI: 10.1109/cvpr.2016.511
