Участник:Pushnyakov Alexey
Материал из MachineLearning.
(→Весна 2013, 6-й семестр) |
(→Отчеты о научно-исследовательской работе) |
||
| Строка 38: | Строка 38: | ||
гарантировать линейную по мощности пространства оценку. В случае ε' = 2ε | гарантировать линейную по мощности пространства оценку. В случае ε' = 2ε | ||
получена неулучшаемая оценка. | получена неулучшаемая оценка. | ||
| + | |||
| + | === Весна 2014, 8-й семестр === | ||
| + | |||
| + | '''Публикации''' | ||
| + | |||
| + | ''А.С.Пушняков'' [http://svn.code.sf.net/p/mlalgorithms/code/Group074/Pushnyakov2014MetricPartition/doc/Pushnyakov2014MetricPartition.pdf О комбинаторных оценках максимальных ε-разбиений метрических конфигураций] // Машинное обучение и анализ данных, 2014, T.1, №7 | ||
Версия 19:47, 14 августа 2014
Пушняков Алексей Сергеевич
МФТИ, ФУПМ, 074
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
aleksey.pushnyakov@phystech.edu
Содержание |
Отчеты о научно-исследовательской работе
Весна 2013, 6-й семестр
Использование спектрального преобразования для распознавания напечатанного изображения
В работе решается задача классификации двух типов изображений глаз: реального и напечатанного. На основании того, что напечатанное изображение, в отличие от реального, содержит периодическую структуру зёрен печати, предлагается использовать спектральное преобразование, выделяющее соответствующую гармонику. Рассматривается зависимость энергии от частоты фурье-спектра, и по ней строится пространство признаков. Задача классификации решается с помощью метрического классификатора.
Публикации
А.С.Пушняков Использование спектрального преобразования для распознавания напечатанного изображения // Машинное обучение и анализ данных, 2013, T.1, №5, С.534-541.
Осень 2013, 7-й семестр
Сегментация цветных изображений
В работе решается задача сегментации цветного изображения. Для приближения распределения пикселов по цветам используется модель смеси нормальных распределений. Разделение смеси производится EM алгоритмом с последовательным добавлением компонент. Кластеризация выполняется согласно принципу максимума правдоподобия. Качество сегментации оценивается по величине искажения исходного изображения.
Публикации
А.С.Пушняков Сегментация цветных изображений: технический отчет // Вычислительный сервер журнала "Машинное обучение и анализ данных" [Электронный ресурс] URL: mvr.jmlda.org (дата обращения: 04.12.2013).
О комбинаторных оценках максимальных ε-разбиений метрических пространств
Рассматривается метрическое пространство с конечным числом точек. Вводится понятие максимального ε-разбиения. Рассматриваются нижние оценки на мощность максимального множества диаметра не более ε' при ограничении сверху на число расстояний, превосходящих ε. Показано, что в случае ε' < 2ε нельзя гарантировать линейную по мощности пространства оценку. В случае ε' = 2ε получена неулучшаемая оценка.
Весна 2014, 8-й семестр
Публикации
А.С.Пушняков О комбинаторных оценках максимальных ε-разбиений метрических конфигураций // Машинное обучение и анализ данных, 2014, T.1, №7
