Б.А. Князев - инженер-исследователь, Московский государственный технический университет им. Н.Э. Баумана E-mail: bknyazev@bmstu.ru В.М. Черненький - д.т.н., зав. кафедрой «Системы обработки информации и управления», Московский государственный технический университет им. Н.Э. Баумана E-mail: chernen@bmstu.ru

Представлены результаты исследования методов формирования признакового пространства для классификации изображений. Введено понятие слаборазреженных фильтров и разработан алгоритм их автоматического формирования из изображений для достижения точности нейронных сетей при меньших вычислительных затратах. Исследованы пространственно-частотные параметры данных фильтров. Продемонстрирована вычислительная эффективность обработки, а также высокая точность классификации изображений на основе предложенного метода в комбинации с методом опорных век-торов на выборке изображений MNIST. Получена ошибка 0,32%, сравнимая с лучшими опубликованными показателями, при значительном выигрыше в производительности относительно нейронных сетей.

 

1. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition // Proceedings of the IEEE. 1998. V. 86. № 11. P. 2278-2324. DOI: 10.1109/5.726791.
2. Ciresan D.C., Meier U., Gambardella L. M., Schmidhuber J. Deep Big Simple Neural Nets Excel on Handwritten Digit Recognition // arXiv.org, 2010. Art. no. arXiv: arXiv:1003.0358.
3. Cireşan D., Meier U., Schmidhuber J. Multi-column Deep Neural Networks for Image Classification // 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR-12). IEEE, 2012. P. 3642-3649. DOI:10.1109/CVPR.2012.6248110.
4. Mairal J., Koniusz P., Harchaoui Z., Schmid C. Convolutional Kernel Network // arXiv.org, 2014. Art. no. arXiv:1406.3332.
5. Labusch K., Barth E., Martinetz T. Simple Method for High-Performance Digit Recognition Based on Sparse Coding // IEEE Transactions on Neural Networks. 2008. V. 19. № 11. P. 1985-1989. DOI: 10.1109/TNN.2008.2005830.
6. Князев Б.А., Черненький В.М. Сверточное разреженное представление изображений для анализа статических и динамических образов // Наука и образование. 2014, 11. DOI:10.7463/1114.0730860.
7. Князев Б.А., Черненький В.М. Методика и модель кластеризации паттернов двигательной активности лица как преобразований метаграфов // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2014. № 4. С. 34-54.
8. Daugman J.G. Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters // Journal of the Optical Society of America. 1985. V. 2, № 7. P. 1160-1169.
9. Vedaldi A., Fulkerson B. VLFeat: An Open and Portable Library of Computer Vision Algorithms // 2008. Режим доступа: http://www.vlfeat.org (дата обращения 01.09.2015).
10. Nguyen M.H., De la Torre F. Optimal Feature Selection for Support Vector Machines // Pattern Recognition. 2010. № 43(3). P. 584-591.
11. Cortes C., Vapnik V. Support-Vector Networks // Machine Learning. 1995. V. 20. № 3. P. 273-297. DOI: 10.1007/BF00994018
12. Chang C.-C., Lin C.-J. LIBSVM: A library for support vector machines // ACM Transactions on Intelligent Systems and Technology. 2011. V. 2. Iss. 3. Article № 27. DOI: 10.1145/1961189.1961199.
13. Liang M., Hu X. Recurrent Convolutional Neural Network for Object Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. P. 3367-3375.
14. Goodfellow I.J., Warde-Farley D., Mirza M., Courville A., Bengio Y. Maxout networks // arXiv.org, 2013. Art. no. arXiv:1302.4389.