Математические методы распознавания образов (конференция)/Программа ММРО-15

Материал из MachineLearning.

Версия 10:46, 29 августа 2011

Основная статья: Математические методы распознавания образов (конференция)

Предварительный вариант программы конференции ММРО-15, г.Петрозаводск, Республика Карелия, 11–17 сентября 2011.

Состав, названия, очерёдность докладов находятся в процессе согласования и могут измениться.

Средняя продолжительность докладов — 20 минут с учётом обсуждения.

В списках авторов выделены докладчики.

Понедельник, 12 сентября

[10:00–13:00] Открытие конференции, пленарное заседание

1. [10:00–10:20]
2. [10:20–10:40]
3. [10:40–11:00]
4. [11:00–11:20]
   • [11:20–11:40] кофе-брейк
5. [11:40–12:00]
6. [12:00–12:20]
7. [12:20–12:40]
8. [12:40–13:00]

[15:00–19:00] Секционные заседания, две параллельные секции

Секция 1

1. [15:00–15:20]
2. [15:20–15:40]
3. [15:40–16:00]
4. [16:00–16:20]
5. [16:20–16:40]
   • [16:40–17:00] кофе-брейк
6. [17:00–17:20]
7. [17:20–17:40]
8. [17:40–18:00]
9. [18:00–18:20]
10. [18:20–18:40]
11. [18:40–19:00]

Секция 2

1. [15:00–15:20]
2. [15:20–15:40]
3. [15:40–16:00]
4. [16:00–16:20]
5. [16:20–16:40]
   • [16:40–17:00] кофе-брейк
6. [17:00–17:20]
7. [17:20–17:40]
8. [17:40–18:00]
9. [18:00–18:20]
10. [18:20–18:40]
11. [18:40–19:00]

Вторник, 13 сентября

[10:00–13:00] Пленарное заседание

1. [10:00–10:20]
2. [10:20–10:40]
3. [10:40–11:00]
4. [11:00–11:20]
   • [11:20–11:40] кофе-брейк
5. [11:40–12:00]
6. [12:00–12:20]
7. [12:20–12:40]
8. [12:40–13:00]

[15:00–19:00] Секционные заседания, две параллельные секции

Секция 1

1. [15:00–15:20]
2. [15:20–15:40]
3. [15:40–16:00]
4. [16:00–16:20]
5. [16:20–16:40]
   • [16:40–17:00] кофе-брейк
6. [17:00–17:20]
7. [17:20–17:40]
8. [17:40–18:00]
9. [18:00–18:20]
10. [18:20–18:40]
11. [18:40–19:00]

Секция 2

1. [15:00–15:20]
2. [15:20–15:40]
3. [15:40–16:00]
4. [16:00–16:20]
5. [16:20–16:40]
   • [16:40–17:00] кофе-брейк
6. [17:00–17:20]
7. [17:20–17:40]
8. [17:40–18:00]
9. [18:00–18:20]
10. [18:20–18:40]
11. [18:40–19:00]

Среда, 14 сентября

Экскурсионный день

Четверг, 15 сентября

[10:00–13:00] Пленарное заседание

1. [10:00–10:20]
2. [10:20–10:40]
3. [10:40–11:00]
4. [11:00–11:20]
   • [11:20–11:40] кофе-брейк
5. [11:40–12:00]
6. [12:00–12:20]
7. [12:20–12:40]
8. [12:40–13:00]

[15:00–19:00] Секционные заседания, две параллельные секции

Секция 1

1. [15:00–15:20]
2. [15:20–15:40]
3. [15:40–16:00]
4. [16:00–16:20]
5. [16:20–16:40]
   • [16:40–17:00] кофе-брейк
6. [17:00–17:20]
7. [17:20–17:40]
8. [17:40–18:00]
9. [18:00–18:20]
10. [18:20–18:40]
11. [18:40–19:00]

Секция 2

1. [15:00–15:20]
2. [15:20–15:40]
3. [15:40–16:00]
4. [16:00–16:20]
5. [16:20–16:40]
   • [16:40–17:00] кофе-брейк
6. [17:00–17:20]
7. [17:20–17:40]
8. [17:40–18:00]
9. [18:00–18:20]
10. [18:20–18:40]
11. [18:40–19:00]

Пятница, 16 сентября

[10:00–13:00] Секционные заседания, две параллельные секции

Секция 1

1. [10:00–10:20]
2. [10:20–10:40]
3. [10:40–11:00]
4. [11:00–11:20]
   • [11:20–11:40] кофе-брейк
5. [11:40–12:00]
6. [12:00–12:20]
7. [12:20–12:40]
8. [12:40–13:00]

Секция 2

1. [10:00–10:20]
2. [10:20–10:40]
3. [10:40–11:00]
4. [11:00–11:20]
   • [11:20–11:40] кофе-брейк
5. [11:40–12:00]
6. [12:00–12:20]
7. [12:20–12:40]
8. [12:40–13:00]

[15:00–19:00] Пленарное заседание

1. [15:00–15:20]
2. [15:20–15:40]
3. [15:40–16:00]
4. [16:00–16:20]
5. [16:20–16:40]
   • [16:40–17:00] кофе-брейк
6. [17:00–17:20]
7. [17:20–17:40]
8. [17:40–18:00]
9. [18:00–18:20]
10. [18:20–18:40]

[18:40–19:00] Закрытие конференции

Список всех принятых докладов

Условные обозначения:

Докладчик — пока отмечены все, кто приедет.

Доклада не будет на конференции

Математические модели данных и знаний

1. Шоломов Л. А. Характеристики сжатия недоопределенных данных
2. Пытьев Ю. П. Математическое моделирование неполноты знания модели объекта исследования
3. Пытьев Ю. П., Фаломкина О. В., Макеев И. В., Артемов А. В. Вероятностные и возможностные измерительно-вычислительные преобразователи как средства измерений: сравнительный анализ качества
4. Папилин С. С., Пытьев Ю. П. Теоретико-возможностные модели матричных игр двух субъектов
5. Копит Т. А., Чуличков А. И. Методы интерпретации экспериментальных данных нечеткой модели измерений, восстановленной по тестам
6. Костенко К. И. Распознавание семантических и топологических свойств конфигураций пространств знаний

Статистическая теория обучения

1. Хачай М. Ю. Сходимость эмпирических случайных процессов, порождаемых процедурами обучения
2. Неделько В. М. Эмпирические доверительные интервалы для условного риска в задаче классификации
3. Сенько О. В., Кузнецова А. В. Системы достоверных эмпирических закономерностей в моделях оптимальных разбиений и методы их анализа
4. Воронцов К. В. Комбинаторная теория переобучения: результаты, приложения и открытые проблемы
5. Ботов П. В. Уменьшение вероятности переобучения итерационных методов статистического обучения
6. Ивахненко А. А., Воронцов К. В. Критерии информативности пороговых логических правил с поправкой на переобучение порогов
7. Животовский Н. К. Комбинаторные оценки вероятности отклонения тестовой ошибки от ошибки скользящего контроля
8. Каневский Д. Ю. Переобучение и комбинаторная радемахеровская сложность в задачах восстановления регрессии
9. Фрей А. И. Метод порождающих и запрещающих множеств для рандомизированной минимизации эмпирического риска
10. Воронцов К. В., Махина Г. А. Принцип максимизации зазора для монотонного классификатора ближайшего соседа
11. Гуз И. C. Гибридные оценки полного скользящего контроля для монотонных классификаторов

Математическая теория и методы классификации

1. Журавлев Ю. И., Лаптин Ю. П., Виноградов А. П. Задачи построения линейных и нелинейных классификаторов в случае многих классов
2. Романов М. Ю. Эффективное построение ДНФ функций с малым числом нулей
3. Максимов Ю. В. Эффективная реализация логических алгоритмов в задачах классификации с малым числом эталонов
4. Дюкова Е. В., Сизов А. В., Сотнезов Р. М. О корректном понижении значности данных в задачах распознавания
5. Генрихов И. Е., Дюкова Е. В. Полные решающие деревья в задачах классификации по прецедентам
6. Генрихов И. Е., Дюкова Е. В. Исследование комбинаторных свойств и сложности построения полных решающих деревьев
7. Янковская А. Е. Оптимизация распараллеливания алгоритма построения диагностических тестов
8. Муравьева О. В. Коррекция информационной матрицы обучающей выборки и её применение к построению линейного решающего правила
9. Середин О. С. Регуляризация обучения распознаванию образов по частично классифицированной обучающей совокупности
10. Турков П. А., Красоткина О. В. Построение алгоритма обучения распознаванию образов в режиме реального времени на основе вероятностного подхода к методу опорных векторов
11. Дорофеюк А. А., Бауман Е. В., Дорофеюк Ю. А. Методы интеллектуальной обработки информации на базе алгоритмов стохастической аппроксимации
12. Дорофеюк А. А., Бауман Е. В., Дорофеюк Ю. А. Оптимальные алгоритмы размытой кусочно-линейной аппроксимации сложных зависимостей
13. Шибзухов З. М. Корректные расширения корректных ΣΠ-алгоритмов
14. Цой Ю. Р. Повышение качества комбинированного обучения нейронных сетей
15. Визильтер Ю. В., Горбацевич В. С. Морфологический подход к синтезу метрических классификаторов и его реализация методом отыскания минимального разреза графа соседства для обучающей выборки
16. Борисова И. А. Использование FRiS-функции при решении задачи распознования состояний объектов в функционально-топической диагностике
17. Волченко Е. В. Построение взвешенных обучающих выборок w-объектов на основе сеточного подхода
18. Козловский В. А., Максимова А. Ю. Построение нечетких характеристик классов образов по выборке прецедентов в задачах распознавания образов

Математическая теория и методы восстановления регрессии

1. Красоткина О. В., Нгуен Т. Ч., Ежова Е. O., Моттль В. В. Селективное комбинирование потенциальных функций при многомодальном восстановлении регрессионной зависимости
2. Панов М. Е., Бурнаев Е. В., Зайцев А. А. О способах введения байесовской регуляризации в регрессии на основе гауссовских процессов
3. Беляев М. Г., Бурнаев Е. В., Любин А. Д. Методика формирования функционального словаря в задаче аппроксимации многомерной зависимости
4. Беляев М. Г., Бурнаев Е. В., Ерофеев П. Д., Приходько П. В. Методы инициализации параметров нелинейной регрессионной модели
5. Стрижов В. В. Задача выбора многоуровневых моделей с анализом ковариационной матрицы параметров
6. Павлов К. В., Стрижов В. В. Выбор многоуровневых моделей в задачах банковскового кредитного скоринга
7. Кузнецов М. П., Стрижов В. В. Уточнение ранговых экспертных оценок с использованием монотонной интерполяции
8. Сенько О. В., Докукин А. А. Метод многомерной регрессии, основанный на нерасширяемых и несократимых выпуклых комбинациях предикторов

Анализ и прогнозирование временных рядов и динамических систем

1. Романенко А. А. Агрегирование адаптивных алгоритмов прогнозирования
2. Андреев А. В., Пытьев Ю. П. Результаты исследования методов прогнозирования и моделей данных
3. Финкельштейн Е. А., Горнов А. Ю. Методика аппроксимации временного ряда разностью двух выпуклых функций одной переменной
4. Дорофеюк Ю. А., Дорофеюк А. А. Структурная идентификация сложных объектов управления
5. Дорофеюк Ю. А. Метод структурного прогнозирования на базе адаптивного алгоритма кластер-анализа
6. Чернявский А. Л., Дорофеюк А. А., Дорофеюк Ю. А., Лайкам К. Э. Структурно-классификационный алгоритм коррекции квазистационарных временных рядов в задачах статистического и социально-экономического мониторинга
7. Колесникова С. И., Мертвецов А. Н. Модель распознавания и оценивания состояний сложного объекта
8. Коваленко Д. С., Щербинин В. В., Костенко В. А. Алгоритм и автоматизированный метод построения алгоритмов распознавания участков фазовых траекторий
9. Неймарк Ю. И., Теклина Л. Г. Постановка обобщенной задачи синтеза динамического объекта как задачи распознавания образов с активным экспериментом

Скрытые марковские модели, обработка сигналов и речи

1. Ветров Д. П., Осокин А. А., Шаповалов Р. В. Использование субмодулярного разложения в релаксационном подходе к обучению структурного метода опорных векторов
2. Осокин А. А., Ветров Д. П. Решение задач оптимизации на марковских полях с помощью разложения, сохраняющего структуру графа
3. Гультяева Т. А., Попов А. А. Классификация последовательностей, порождённых скрытыми марковскими моделями, при наличии шума
4. Демин Д. С., Чуличков А. И., Куличков С. Н. Нечёткое оценивание параметров формы сигналов с учётом априорной информации в задаче инфразвукового мониторинга атмосферы
5. Чучупал В. Я. Моделирование произношения в речевой технологии
6. Кальян В. П. Разработка алгоритмов распознавания эмоционального состояния человека по паралингвистическим особенностям речи
7. Алябушев А. А., Карпушин М. А., Кузьмин А. В., Куликов А. И., Левин С. Г. Анализ голосовых данных человека при гипергравитационном воздействии
8. Чичагов А. В. Оценка адекватности вычислительных моделей дискретного преобразования Гильберта
9. Леухин А. Н., Парсаев Н. В. Новые трёхфазные и пятифазные последовательности с одноуровневой периодической автокорреляционной функцией
10. Жарких А. А. Теория вейвлет-подобных преобразований типа Хаара над конечными полями

Методы кластеризации и коллаборативной фильтрации

1. Миркин Б. Г., Насименто С. А. Аддитивный спектральный подход к выявлению нечетких кластеров по матрице связи
2. Бериков В. Б. Кластеризация разнотипных данных, содержащих пропуски, с применением ансамблевого подхода
3. Двоенко С. Д. Задача диагонализации матрицы связей и задача кластер-анализа
4. Дьяконов А. Г. Прогнозирование связности графа
5. Игнатов Д. И., Кузнецов С. O., Пульманс Й. Разработка данных систем совместного пользования ресурсами: от трипонятий к трикластерам
6. Лексин В. А. Методы улучшения сходимости EM-алгоритма в вероятностном латентном семантическом анализе
7. Полежаева Е. А. Инкрементные методы коллаборативной фильтрации для больших разреженных порядковых данных

Проблемы эффективности вычислений и оптимизации

1. Кельманов А. В. NP-полнота некоторых задач кластеризации
2. Кельманов А. В., Романченко С. М. Алгоритмы с оценками для некоторых задач поиска подмножества векторов и кластерного анализа
3. Кельманов А. В., Михайлова Л. В., Хамидуллин С. А. Об одной задаче поиска и идентификация векторных наборов в последовательности
4. Кельманов А. В., Романченко С. М., Хамидуллин С. А. 2-приближенный алгоритм для одной задачи поиска в векторной последовательности совокупности похожих элементов
5. Шенмайер В. В. Аппроксимационная схема для одной задачи поиска подмножества векторов
6. Дюкова Е. В., Колесниченко А. С. Построение и исследование полиномиальных алгоритмов для задач логического анализа данных в распознавании
7. Инякин А. С. О построении сокращенных множеств неприводимых покрытий булевой матрицы
8. Катериночкина Н. Н. Приближенный метод решения одной оптимизационной задачи в теории распознавания
9. Поберий М. И. Вопросы комитетной полиэдральной отделимости конечных множеств
10. Кобылкин К. С. Об одном методе редукции выборки для задачи обучения в классе комитетных решающих правил
11. Зухба А. В. Сложность задачи отбора эталонов в методе ближайшего соседа
12. Гуров С. И. О параметрах некоторых частично упорядоченных множеств
13. Аксенова Е. А., Соколов А. В. Оптимальный метод перераспределения общей памяти для двух последовательных циклических FIFO-очередей
14. Соколов А. В., Драц А. В. Управление двумя FIFO-очередями в случае их движения друг за другом по кругу
15. Лукьянова Е. А., Дереза А. В. Имитационная модель единого ресурса алгоритмических схем

Распознавание изображений

1. Ланге М. М., Ганебных С. Н. Иерархический классификатор на основе древовидно структурированных покрытий
2. {{докладчик|Новиков Н. А., Ланге М. М. Вероятностная модель классификатора на основе древовидно-структурированных гауссовых смесей
3. {{докладчик|Степанов Д. Ю., Ланге М. М. Распознавание лиц по многослойным древовидным представлениям цветных изображений
4. Федотов Н. Г., Романов С. В., Мокшанина Д. А. Применение триплетных признаков распознавания к цветным изображениям
5. Лебедев Л. И. Теоретические основы корреляционно-экстремальных контурных методов распознавания
6. Васин Ю. Г., Лебедев Л. И. Задача нахождения согласованных описаний в корреляционно-экстремальных контурных методах распознавания.
7. Жарких А. А., Бычкова С. М. Распознавание направления переноса точки на плоскости на фоне случайных гауссовских отклонений
8. Дробков А. В., Семенов А. Б. Обзор и анализ распознавателей рукопечатных символов
9. Сорокин С. В., Грицай А. А., Пономарёв С. А. Использование образцов некорректных символов при обучении классификатора
10. Цымбал Д. А., Чепурной К. В. Метод распознавания размытых штрихкодов на мобильных устройствах без автофокусировки
11. Ларин А. О., Середин О. С. Параметризация цветового представления изображения пламени с использованием одноклассового классификатора

Анализ изображений

1. Харинов М. В. Интерпретация сегментации по Мамфорду-Шаху
2. Цветков О. В., Зайцева А. А. О потенциальной информационной достаточности выявления семантики контента
3. Пластинин А. И. Ядра на основе интегральных вероятностных метрик для анализа текстурных изображений
4. Мурашов Д. М., Березин А. В., Иванова Е. Ю. Комбинированный подход к локализации записей на изображениях произведений живописи
5. Лепский А. Е. Об условиях устойчивости нахождении осей симметрии зашумленного изображения
6. Каркищенко А. Н., Мнухин В. Б. Преобразование симметрии периодических структур в частотной области
7. Фурман Я. А., Егошина И. Л., Ерусланов Р. В. Согласование изображений пространственно расположенных групповых точечных объектов по угловым координатам
8. Фурман Я. А., Ерусланов Р. В. Обнаружение точек на контурах теней объекта, сопряжённых с точками на его поверхности
9. Хафизов Д. Г. Метод оценки параметров вращения пространственного-группового точечного объекта
10. Баев А. А., Роженцов А. А. Применение ПЛИС в решении задачи распознавания изображений пространственных объектов с неупорядоченными отсчётами

Представление формы изображений

1. Местецкий Л. М., Хромов Д. В. Криволинейные скелеты трёхмерных форм
2. Жукова К. В., Рейер И. А. Параметрический дескриптор формы на основе гранично-скелетной модели
3. Макарова Е. Ю. Классификация лекарственных растений по форме листа на основе скелетного представления
4. Визильтер Ю. В., Сидякин С. В., Рубис А. Ю. Вычисление морфологических спектров плоских фигур с использованием непрерывных скелетных представлений
5. Рогов А. А., Быстров М. Ю. Структурное распознавание бинарных изображений с использованием скелетов
6. Бакина И. Г. Идентификация модели ладони по серии её снимков в разных положениях
7. Куракин А. В. Распознавание жестов ладони с помощью непрерывного скелета
8. Янгель Б. К., Ветров Д. П. Сегментация с моделью формы на основе циркулярного графа
9. Зубюк А. В. Случайная морфология: алгоритмы обучения и классификации
10. Фаломкина О. В., Пытьев Ю. П., Пятков Ю. В., Каманин Д. В., Хербст Б. М., Трзаска В. Х. Методы морфологического анализа изображений в задаче интерпретации данных ядернофизического эксперимента.
11. Чуличков А. И., Цыбульская Н. Д. Эмпирическое упорядочение яркости пикселей изображения, задающее его форму
12. Корнилов Ф. А., Костоусов В. Б., Перевалов Д. С. Сравнение двух классов функций преобразования яркости в задаче поиска структурных изменений
13. Кий К. И. Метод геометризованных гистограмм, дуальное описание сцен и его применение

Анализ видеоизображений

1. Ваcиленко С. И., Прокофьев А. В. Алгоритм супериерархического подавления шума в видеоряде
2. Хашин С. И. Аффинная версия алгоритма Лукаса-Канады
3. Вишняков Б. В., Визильтер Ю. В., Выголов О. В. Построение кратнорегрессионных псевдоспектров для выделения и прослеживания объектов в системах видеонаблюдения
4. Емельянов Г. М., Титов И. О. Формирование инвариантных признаков движущегося воздушного объекта
5. Григорьева А. М., Пытьев Ю. П. Динамическая модель повышения геометрической разрешающей способности системы регистрации изображений

Анализ биометрических изображений

1. Матвеев И. А. Выделение радужки методом оптимизации кругового пути
2. Харитонов А. В., Потехин Е. Н., Леухин А. Н. Биометрическая система идентификации личности по радужной оболочке глаза
3. Визильтер Ю. В., Горбацевич В. С. Локальная нормировка меры сходства и её влияние на характеристики биометрического распознавания лиц
4. Ушмаев О. С., Гудков В. Ю., Кузнецов В. В. Алгоритм извлечения бинарного вектора из изображений отпечатков пальцев

Приложения в области медицины и биологии

1. Марьяскин Е. Л., Ивановский С. А., Немирко А. П. Анализ эхокардиографических данных на основе вычисления оптического потока
2. Немирко А. П., Манило Л. А., Калиниченко А. Н., Волкова С. С. Оценка эффективности распознавания стадий анестезии по энтропийным характеристикам ЭЭГ
3. Лыжко Е. В., Махортых С. А. Анализ пространственно-временных характеристик данных магнитной энцефалографии
4. Устинин М. Н., Панкратова Н. М. Нахождение опорных точек в данных магнитной энцефалографии
5. Наумов А. С., Роженцов А. А., Смирнов А. С. Применение комплекснозначных нейронных сетей в задачах распознавания заболеваний органа зрения
6. Вишневский В. В., Ветров Д. П. Вероятностный подход к поиску поведенческих паттернов
7. Елшин Д. А., Кропотов Д. А. Использование эпитомного подхода в задаче автоматической сегментации гистологических изображений срезов мозга мыши
8. Суханов А. Я., Креков Г. М. Распознавание спектров флуоресценции бактерий и полиароматических углеводородов

Приложения в области биоинформатики

1. Чалей М. Б., Кутыркин В. А. Распознавание скрытой периодичности в кодирующих последовательностях ДНК
2. Горчаков М. А., Панкратов А. Н. О методе оценки качества поиска повторов в генетических последовательностях
3. Панкратов А. Н., Пятков М. И. О спектральном алгоритме распознавания протяженных тандемных повторов в геномах
4. Дедус Ф. Ф., Тетуев Р. К., Назипова Н. Н., Ольшевец М. М., Панкратов А. Н., Пятков М. И. Преимущество оценок подобия фрагментов ДНК с помощью спектрально-аналитического метода
5. Торшин И. Ю. Критерии локальной разрешимости и регулярности как инструмент исследования морфологии аминокислотных последовательностей
6. Когадеева М. С., Рябенко Е. А. Математическая модель данных микрочипов ДНК, учитывающая эффекты кросс-гибридизации и насыщения
7. Рябенко Е. А., Когадеева М. С. Нижняя граница числа комплементарных нуклеотидов при моделировании кросс-гибридизации

Приложения в области наук о Земле

1. Агаян С. М., Богоутдинов Ш. Р., Добровольский М. Н. Об одном алгоритме поиска плотных областей и его геофизических приложениях
2. Котельников И. В., Неймарк Ю. И. Исследование математической модели экологической системы на основе синдромальных представлений распознавания образов
3. Кондранин Т. В., Козодеров В. В., Дмитриев Е. В., Каркач А. С. Распознавание природно-техногенных объектов по данным гиперспектральных систем аэрокосмического зондирования
4. Мандрикова О. В., Соловьев И. С. Вейвлет-метод выделения геомагнитных возмущений и анализа магнитных данных
5. Макшанов А. В., Гальяно Ф. Р. Система иерархического распознавания акустических изображений подводных объектов на основе техники SVD
6. Дядьков П. Г., Михеева А. В. Методы выявления пространственного группирования землетрясений в сейсмогеодинамическом исследовании районов Центральной Азии
7. Потехин Е. Н., Харитонов А. В., Рахманов Х. Э., Леухин А. Н. Разработка и реализация алгоритмов анализа подстилающей поверхности по мультиспектральным спутниковым снимкам среднего разрешения
8. Арутюнян Р. В., Огарь К. В., Ушмаев О. С. Подход к измерению активности выброса радиоактивных веществ по данным мониторинга радиационной обстановки
9. Шлей М. Д., Рогов А. А., Борисов А. Ю. Методы и алгоритмы распознавания объектов сельских поселений на цифровой карте
10. Ипатов Ю. А. Автоматизированная классификация сцен наземной лесной таксации с использованием статистического анализа текстур
11. Михайлов В. В., Харин Я. В. Анализ методов распознавания и подсчета животных на аэрофотоснимках

Приложения в области анализа текстов

1. Емельянов Г. М., Михайлов Д. В. Анализ формальных понятий и сжатие текстовой информации в задаче автоматизированного контроля знаний
2. Прокофьев П. А. Дискретный подход при извлечении информации из текста с автоматическим построением правил (текстовых запросов)
3. Майсурадзе А. И. Формализация и автоматический анализ понятий при обработке неструктурированной информации
4. Кудинов П. Ю., Полежаев В. А. Инкрементное обучение деревьев решений в задаче распознавания структуры статистических таблиц
5. Чувилин К. В. Синтез правил коррекции документов в формате LaTeX с помощью сопоставления синтаксических деревьев

Прикладные системы

1. Ивкин Н. П., Чехович Ю. В. Классификационный метод идентификации имитационных моделей транспортных потоков
2. Саакян Р. Р., Шпехт И. А. Визуализация многомерных данных методом проецирования на пространства малой размерности