CC BY
32
Секция ««Информатика и вычислительная техника»
нее, данную технологию следует использовать в Библиографическая ссылка
крупных, структурно сложных организациях. 1. Выбор технологии репликации данных. URL:
http://itc.ua/articles/vybor_tehnologii_replikacii_dannyh_ 16619 - 01.04.2011.
© Жерносекова Н. В., Вдовенко В. В., 2011
УДК 004.043
С. Н. Зинин Научный руководитель - М. Н. Фаворская Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ИСПОЛЬЗОВАНИЕ МЕТАПРОГРАММИРОВАНИЯ ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ
ОБЪЕКТОВ ГРАФИЧЕСКОЙ СЦЕНЫ
Рассматривается подход к использованию возможностей генерации кода в задачах классификации объектов на изображении с последующим его сохранением для повторного использования.
Практически любой из подходов к распознанию образов опирается на метаданные, полученные в процессе обучения. Такие наборы данных обычно представляют собой множества чисел. В случае с нейронными сетями это весовые коэффициенты, в случае использования алгоритмов баггинга или бустинга это числа, описывающие важность голоса классификатора на полученном примере.
Любой из наборов данных о данных во внутреннем представлении играет роль величины, позволяющей найти некий минимум ошибки, который дает возможность утверждать, что одно из полученных решений с той или иной степенью вероятности является верным.
У всех вышеперечисленных подходов имеется ряд недостатков:
- невозможно оценить ошибку в значении каждого из коэффициентов;
- классификатор опирается только на свои веса;
- невозможно позволить программе подстраивать логику классификатора в лучшую сторону;
- представляется возможным только жесткое описание классифицирующей функции.
Предложенный подход с использованием технологий метакодов заключается в том, чтобы описывать классифицирующие функции по ходу исполнения процесса обучения.
Каждый из описанных классификаторов может сохранить свое тело в базе данных. Таким образом, появляется возможность создания приложения, которое экономит свою память и увеличивает свои потребно-
сти по мере необходимости. В случае постоянного использования одного и того же классификатора включается система кэширования. Классификатор можно подменить, переписать прямо по ходу выполнения программы. Появляется возможность увидеть ошибки в логике алгоритма классификации.
Настройка классификатора под параметры модели при обучении может происходить адаптивно. Например, отношение высоты человека к длине его ног практически всегда будет находиться в пределах одного интервала. Замечая статистику при обучении, программа добавляет условие на отношение в код и записывает его в базу данных.
Для увеличения скорости выполнения интерпретируемого языка предполагается использовать собственную минимальную сборку языка Ruby [1]. В целях увеличения скорости выборки, сериализации данных и их синхронизации в распределенных системах предлагается использование документно-ориентированной СУБД, сохраняющей объекты в BSON-формате (в формате бинарной сериализации) [2].
Библиографические ссылки
1. Дмитриев В. Г. Использование языка руби в повседневной жизни. М. : Физматлит, 2008.
2. Браславский Д. А., Логунов С. С. Трансляция кода С в интерпретируемых программах. 2-е изд., перераб. и доп. М. : Букинист, 2005.
© Зинин С. Н., Фаворская М. Н., 2011
