Использование алгоритмов бустинга в задачах классификации разнородных данных Текст научной статьи по специальности «Компьютерные и информационные науки»

Информационно-управляющие системы

УДК 004.93'12

С. Н. Зинин

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

ИСПОЛЬЗОВАНИЕ АЛГОРИТМОВ БУСТИНГА В ЗАДАЧАХ КЛАССИФИКАЦИИ

РАЗНОРОДНЫХ ДАННЫХ

Рассматривается программное средство, предназначенное для распознания объектов на видеопоследовательностях. Приводятся примеры использования работы программы с данными в текстовом формате, а также обоснование выбора архитектуры приложения.

Задача классификации объектов встречается во многих предметных областях. В системах, работающих в реальном времени, таких как системы видеонаблюдения, важно сократить количество операций, заложенных в реализацию алгоритма с целью ускорения работы программы. Серверные системы, напротив, имеют цель меньше загружать оборудование, а выполнять алгоритм можно в фоновом и отлаженном режимах [1]. Всем этим требованиям в большей степени удовлетворяет семейство алгоритмов усиления слабых классификаторов (бустинг). Бустинг используется в широком спектре задач: от классификации почтовых сообщений в спам-фильтрах до классификации сложных графических объектов [2].

Усиление слабых классификаторов - это подход к решению задачи классификации путём комбинирования примитивных классификаторов в один более сильный комитет. Основная идея метода заключается в итеративной минимизации выпуклого функционала ошибки классификации путем добавления в комитет очередного слабого классификатора [1; 3].

В ходе реализации программы был построен каскад из комитетов слабых классификаторов, работающих по принципу последовательных приближений. Каскад состоит из нескольких ступеней, каждая ступень - комитет простых классификаторов, построенных алгоритмом AdaBoost (в более поздних вариантах использовалась его модификации).

С помощью разработанного программного средства можно создать обучающую выборку по множеству изображений, а также текстовые данные. Программа позволяет не только получать результаты проведения классификации, но и статистические данные, проводить коррекцию хода алгоритма вручную.

Библиографические ссылки

1. Bigun J. A. Local Symmetry Features in Image Processing // ISBN91, 2006. P. 334-340.

2. Barron J. L. Transactions on Image Processing // IEEE05, 2005. P. 12-16.

3. Haritaoglu L. S. Detecting and Tracking People // CVPR08, 2008. P. 962-968.

S. N. Zinin

Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

USAGE OF BOOSTING ALGORITHMS IN DIFFERENT DATA TYPES CLASSIFICATION PROBLEMS

It is covered a software tool for AdaBoost algorithm testing. This program solves many classification problems such as text content analysis and image recognition. The choice of algorithm is carried out by AdaBoost application example.

© Знннн C H, 2010

УДК 004.032.26

В. Н. Игнатенко, И. С. Уколов

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

СИСТЕМА ОБМЕНА ИНФОРМАЦИЕЙ МЕЖДУ НЕЙРОСЕТЯМИ РАЗЛИЧНЫХ ТОПОЛОГИЙ

Рассматривается система обмена унифицированными сообщениями между нейронными сетями различных топологий, входящих в состав единого проекта.

В настоящее время существует большое количество классов задач, для решения которых спроектированы определенные модели нейронных сетей. Различные модели нейронных сетей отличаются архитектурой, форматом обрабатываемых данных и представ-

лением входных параметров и результатов. Однако в ситуации, когда в рамках одного проекта приходится решать задачи, требующие одновременного использования различных моделей нейронных сетей, возникает необходимость консолидации результатов работы