Участник:Pushnyakov Alexey

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Осень 2013, 7-й семестр)
(Осень 2013, 7-й семестр)
Строка 30: Строка 30:
'''Публикации'''
'''Публикации'''
-
''А.С.Пушняков'' Сегментация цветных изображений: технический отчет // Вычислительный сервер журнала "Машинное обучение и анализ данных" [Электронный ресурс] URL: [http://193.233.212.81/ mvr.jmlda.org] (дата об-ращения: 04.12.2013).
+
''А.С.Пушняков'' Сегментация цветных изображений: технический отчет // Вычислительный сервер журнала "Машинное обучение и анализ данных" [Электронный ресурс] URL: [http://193.233.212.81/ mvr.jmlda.org] (дата обращения: 04.12.2013).
'''О комбинаторных оценках максимальных ε-разбиений метрических пространств'''
'''О комбинаторных оценках максимальных ε-разбиений метрических пространств'''

Версия 20:09, 27 декабря 2013

Пушняков Алексей Сергеевич

МФТИ, ФУПМ, 074

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

aleksey.pushnyakov@phystech.edu

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 // Machinelearning.ru, 2013.

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.

Личные инструменты