СПОСОБИ МЕТРИЧНОЇ ГРАНУЛЯЦІЇ ДЛЯ ОПИСУ ЗОБРАЖЕНЬ У ЗАДАЧІ КЛАСИФІКАЦІЇ
DOI:
https://doi.org/10.26906/SUNZ.2024.3.106Ключові слова:
комп’ютерний зір, структурні методи класифікації, множина дескрипторів, кластеризація, грануляція векторів, точність класифікаціїАнотація
Предметом досліджень статті є методи класифікації зображень у системах комп’ютерного зору. Мета – удосконалення структурних методів класифікації задля підвищення їх швидкодії шляхом впровадження редукованої системи класифікаційних ознак на підґрунті здійснення грануляції еталонних описів. Застосовані методи: детектори ключових точок brisk та orb, апарат теорії множин і векторних просторів, метричні моделі кластеризації і грануляції векторів, моделі «мішок слів» і голосування для класифікації, програмне моделювання. Отримані результати: розроблено моделі для трансформації опису зображень у вигляді набору кластерних центрів і побудови редукованого опису з використанням грануляції за подібністю векторів, досліджено швидкісні методи класифікації зображень на основі впровадження трансформованих описів. Результативність розроблених модифікацій класифікатора залежить від способу грануляції даних і від параметрів порогів на еквівалентність векторів, мінімум значення метрики і число голосів дескрипторів для класу – переможця у схемі голосування. Запропоновано побудову ієрархічної системи ознак з кількома рівнями грануляції. На підставі впровадження модифікацій вдалося в сотні разів скоротити обчислювальні витрати при забезпеченні результативності класифікації на навчальній вибірці даних. Практична значущість роботи полягає у побудові програмних моделей для здійснення швидкісної класифікації, підтвердженні працездатності і точності запропонованих модифікацій для прикладної бази зображень, створенні програмного застосунку для впровадження модифікацій класифікаторів у комп’ютерному баченні.Завантаження
Посилання
Tymchyshyn R., Volkov O., et al. (2018), Modern Approaches to Computer Vision, Control systems and computers, 6, 46-73.
Daradkeh Y. I., Gorokhovatskyi V., Tvoroshenko I., Gadetska S., and Al-Dhaifallah M. (2023), Statistical data analysis models for determining the relevance of structural image descriptions, IEEE Access, vol. 11, pp. 126938–126949, Nov. 2023, doi: 10.1109/ACCESS.2023.3332291.
Gorokhovatskyi V. Vlasenko N. (2021), The image description reduction in the set of descriptors on informativeness metric criteria base. Advanced Information Systems, 5 (4), 10–16. DOI: https://doi.org/10.20998/2522-9052.2021.4.02
P. Flach. (2012), Machine learning. The Art and Science of Algorithms that Make Sense of Data. New York, NY, USA: Cambridge University Press.
Gorokhovatskyi V. A. (2018), Image classification methods in the space of descriptions in the form of a set of the key point descriptors, Telecommunications and Radio Engineering, 77(9), 787-797.
Kuchuk H., Kovalenko A., Ibrahim B.F., Ruban I. (2019), Adaptive compression method for video information. International Journal of Advanced Trends in Computer Science and Engineering. Vol. 8 (1). P. 66–69. DOI: http://dx.doi.org/10.30534/ijatcse/2019/1181.22019
Rublee E., Rabaud V., Konolige K., and Bradski G., ORB: An efficient alternative to SIFT or SURF, in Proc. Int. Conf. Comput. Vis., Nov. 2011, pp. 2564–2571, doi: 10.1109/ICCV.2011.6126544.
Leutenegger S., Chli M. and Siegwart R. Y. BRISK: Binary robust invariant scalable keypoints, in 2011 Int. Conf. on Computer Vision, Barcelona, Spain, pp. 2548–2555, 2011.
Gorokhovatskyi V., Tvoroshenko I. (2023), Identification of visual objects by the search request. International scientific symposium «Intelligent Solutions-S». Computational intelligence. Decision making theory: proc. of the international symposium, September 28, 2023, Kyiv-Uzhorod, Ukraine, pp. 25-27.
Gorokhovatskyi O., Gorokhovatskyi V. and Peredrii O. (2018), Analysis of application of cluster descriptions in space of characteristic image features, Data, vol. 3, no. 4, pp. 52.
Gorokhovatsky V., Putyatin Y. and Stolyarov V. (2017), Research of Effectiveness of Structural Image Classification Methods using Cluster Data Model, Radio Electronics, Computer Science, Control, vol. 3 (42), pp. 78–85.
Robnik-Sikonja,M., Kononenko, I. (2003), Theoretical and empirical analisis of ReliefF and RReliefF. Machine Learning 53 (1-2): 23-69.
Stańczyk U. (2015), Feature Evaluation by Filter, Wrapper, and Embedded Approaches. In: Stańczyk U., Jain L. (eds) Feature Selection for Data and Pattern Recognition. Studies in Computational Intelligence, Springer, Berlin, Heidelberg, vol. 584, 568 p.
Xiong, H. and Z. Li. (2014), Data Clustering: Algorithms and Application. 1st ed. Boca Raton: CRC Press.
Zhang X., Yu F. X., Karaman S.and Chang S.-F. (2017), Learning discriminative and transformation covariant local feature detectors,” in IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 4923–4931.
Lowe D. G. (2004), Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision. 60 (2). doi:10.1023/B:VISI.0000029664.99615.94
Crowley, J., Riff O. (2003), Fast computation of scale normalized Gaussian receptive fields, Proc. Scale-Space'03, Isle of Skye, Scotland, Springer Lecture Notes in Computer Science, 2695.
Putyanin, E.P., Averin, S.I. (1990), Image processing in robotics. Moscow, Mashinostroeniye, 320 p.
Gorokhovatskyi V., Tvoroshenko I., and Yakovleva O. (2024), Transforming image descriptions as a set of descriptors to construct classification features, Indonesian Journal of Electrical Engineering and Computer Science, vol. 33, no. 1, pp. 113-125, doi: 10.11591/ijeecs.v33.i1.
Martino A., De Santis E., Rizzi A. (2023), On Information Granulation via Data Filtering for Granular Computing-Based PatternRecognition: A Graph Embedding Case Study. SN Computer Science, 4:314, https://doi.org/10.1007/s42979-023-01716-1
WikiArt. Енциклопедія візуальних мистецтв. https://www.wikiart.org/uk/mariya-primachenko ( 01.04.2024)
Gorokhovatsky V.A. Putyatin Y. P. (2009), Image Likelihood Measures of the Basis of the Set of Conformities. Telecommunications and Radio Engineering, 68 (9), p. 763–778.
Tvoroshenko I., and Zarivchatskyi R. (2020), Analysis of existing methods for searching object in the video stream, Abstracts of VI International Scientific and Practical Conference «About the problems of science and practice, tasks and ways to solve them» (October 26-30, 2020). Milan, Italy, pp. 500–505.
Yakovleva, О., Kovtunenko, A., Liubchenko, V., Honcharenko, V., & Kobylin, O. (2023), Face Detection for Video Surveillance-based Security System (COLINS-2023). In CEUR Workshop Proceedings (Vol. 3403). pp. 69-86.
Kuchuk, H., Podorozhniak, A., Liubchenko, N., and Onishchenko, D. (2021), System of license plate recognition considering large camera shooting angles, Radioelectronic and Computer Systems, 4(100), 82–91.
OpenCV. URL: https://docs.opencv.org/
