Нейросетевые методы распознавания изображений - доклад

Выполнен обзор нейросетевых способов, применяемых при распознавании изображений. Нейросетевые способы - это способы, базирующиеся на применении разных типов нейронных сетей (НС). Главные направления внедрения разных НС для определения образов и изображений:

Архитектура искусственных НС имеет некое сходство с естественными нейронными сетями. НС, созданные для решения разных задач, могут значительно различаться методами функционирования, но их главные характеристики последующие [1-3].

НС состоит из частей, именуемых формальными нейронами, которые сами по для Нейросетевые методы распознавания изображений - доклад себя очень ординарны и связаны с другими нейронами. Каждый нейрон конвертирует набор сигналов, поступающих к нему на вход в выходной сигнал. Конкретно связи меж нейронами, кодируемые весами, играют главную роль. Одно из преимуществ НС (а так же недочет при реализации их на поочередной архитектуре) это то, что все элементы могут работать параллельно Нейросетевые методы распознавания изображений - доклад, тем значительно повышая эффективность решения задачки, в особенности в обработке изображений. Не считая того, что НС позволяют отлично решать многие задачки, они предоставляют массивные гибкие и универсальные механизмы обучения, что является их основным преимуществом перед другими способами [4,5] (вероятностные способы, линейные разделители, решающие деревья и т.п.). Обучение устраняет от Нейросетевые методы распознавания изображений - доклад необходимости выбирать главные признаки, их значимость и дела меж признаками. Но все же выбор начального представления входных данных (вектор в n-мерном пространстве, частотные свойства, вэйвлеты и т.п.), значительно оказывает влияние на качество решения и является отдельной темой. НС владеют неплохой обобщающей способностью (лучше чем у решающих Нейросетевые методы распознавания изображений - доклад деревьев [5]), т.е. могут удачно распространять опыт, приобретенный на конечном обучающем наборе, на всё огромное количество образов.

Опишем применение НС для определения изображений, отмечая способности внедрения для определения человека по изображению лица.

1. Мультислойные нейронные сети

Архитектура мультислойной нейронной сети (МНС) состоит из поочередно соединённых слоёв, где нейрон каждого Нейросетевые методы распознавания изображений - доклад слоя своими входами связан со всеми нейронами предшествующего слоя, а выходами - последующего. НС с 2-мя решающими слоями может с хоть какой точностью аппроксимировать всякую многомерную функцию. НС с одним решающим слоем способна сформировывать линейные разделяющие поверхности, что очень сузивает круг задач ими решаемых, а именно такая сеть не Нейросетевые методы распознавания изображений - доклад сумеет решить задачку типа “исключающее либо”. НС с нелинейной функцией активации и 2-мя решающими слоями позволяет сформировывать любые выпуклые области в пространстве решений, а с 3-мя решающими слоями - области хоть какой трудности, в том числе и невыпуклой. При всем этом МНС не теряет собственной обобщающей возможности. Учатся МНС с помощью Нейросетевые методы распознавания изображений - доклад метода оборотного распространения ошибки, являющегося способом градиентного спуска в пространстве весов с целью минимизации суммарной ошибки сети. При всем этом ошибки (поточнее величины корректировки весов) распространяется в оборотном направлении от входов к выходам, через веса, соединяющие нейроны.

Простейшее применение однослойной НС [6] (именуемой автоассоциативной памятью) заключается в обучении сети восстанавливать подаваемые изображения Нейросетевые методы распознавания изображений - доклад. Подавая на вход тестовое изображение и вычисляя качество реконструированного изображения, можно оценить как сеть распознала входное изображение. Положительные характеристики этого способа состоят в том, что сеть может восстанавливать искажённые и зашумленные изображения, но для более серьёзных целей он не подходит.

Рис. 1. Мультислойная нейронная сеть для систематизации Нейросетевые методы распознавания изображений - доклад изображений. Нейрон с наибольшей активностью (тут 1-ый) показывает принадлежность к распознанному классу.

МНС так же употребляется для конкретной систематизации изображений – на вход подаётся либо само изображение в каком-либо виде, либо набор ранее извлечённых главных черт изображения, на выходе нейрон с наибольшей активностью показывает принадлежность к распознанному классу (рис Нейросетевые методы распознавания изображений - доклад. 1). Если эта активность ниже некого порога, то считается, что поданный образ не относится ни к одному из узнаваемых классов. Процесс обучения устанавливает соответствие подаваемых на вход образов с принадлежностью к определённому классу. Это именуется обучением с учителем. В применении к распознаванию человека по изображению лица, таковой подход неплох для задач контроля доступа Нейросетевые методы распознавания изображений - доклад маленькой группы лиц. Таковой подход обеспечивает конкретное сопоставление сетью самих образов, но с повышением числа классов время обучения и работы сети растет экспоненциально. Потому для таких задач, как поиск схожего человека в большой базе данных, просит извлечения малогабаритного набора главных черт, на базе которых можно создавать поиск.

Подход к Нейросетевые методы распознавания изображений - доклад систематизации с внедрением частотных черт всего изображения, описан в [7]. Применялась однослойная НС, основанная на неоднозначных нейронах. Отмечено 100% определение на базе данных MIT, но при всем этом производилось определение посреди изображений, которым сеть была обучена.

Применение МНС для систематизации изображений лиц на базе таких черт, как расстояния меж некими специфичными Нейросетевые методы распознавания изображений - доклад частями лица (нос, рот, глаза), описано в [8]. В данном случае на вход НС подавались эти расстояния. Использовались так же гибридные способы – в первом на вход НС подавались результаты обработки сокрытой марковской моделью, а во 2-м – итог работы НС подавался на вход марковской модели. Во 2-м случае преимуществ не наблюдалось Нейросетевые методы распознавания изображений - доклад, что гласит о том, что итог систематизации НС достаточен.

В [9] показано применение НС для систематизации изображений, когда на вход сети поступают результаты декомпозиции изображения по способу основных компонент.

В традиционной МНС межслойные нейронные соединения полносвязны, и изображение представлено в виде одномерного вектора, хотя оно двумерно. Архитектура свёрточной НС [10] ориентирована Нейросетевые методы распознавания изображений - доклад на преодоление этих недочетов. В ней использовались локальные рецепторные поля (обеспечивают локальную двумерную связность нейронов), общие веса (обеспечивают детектирование неких черт в любом месте изображения) и иерархическая организация с пространственными подвыборками (spatial subsampling). Свёрточная НС (СНС) обеспечивает частичную устойчивость к изменениям масштаба, смещениям, поворотам, искажениям. Архитектура Нейросетевые методы распознавания изображений - доклад СНС состоит из многих слоёв, любой из которых имеет несколько плоскостей, причём нейроны последующего слоя связаны только с маленьким числом нейронов предшествующего слоя из округи локальной области (как в зрительной коре человека). Веса в каждой точке одной плоскости схожи (свёрточные слоя). За свёрточным слоем следует слой, уменьшающий его размерность оковём локального усреднения Нейросетевые методы распознавания изображений - доклад. Потом снова свёрточный слой, и т.д.. Таким макаром, достигается иерархическая организация. Более поздние слои извлекают более общие свойства, меньше зависящие от искажений изображения. Учится СНС стандартным способом оборотного распространения ошибки. Сопоставление МНС и СНС [10] показало значительные достоинства последней как по скорости, так и по надёжности Нейросетевые методы распознавания изображений - доклад систематизации. Полезным свойством СНС является и то, что свойства, создаваемые на выходах верхних слоёв иерархии, могут быть применимы для систематизации по способу наиблежайшего соседа (к примеру, вычисляя евклидово расстояние), причём СНС может удачно извлекать такие свойства и для образов, отсутствующих в обучающем наборе. Для СНС свойственны стремительная скорость обучения Нейросетевые методы распознавания изображений - доклад и работы. Тестировании СНС на базе данных ORL, содержащей изображения лиц с маленькими переменами освещения, масштаба, пространственных поворотов, положения и разными чувствами, показало примерно 98% точность определения, причём для узнаваемых лиц, предъявлялись варианты их изображений, отсутствующие в обучающем наборе. Таковой итог делает эту архитектуру многообещающей для последующих разработок в области определения Нейросетевые методы распознавания изображений - доклад изображений пространственных объектов.

МНС используются и для обнаружения объектов определённого типа. Не считая того, что неважно какая обученная МНС в некой мере может определять принадлежность образов к “своим” классам, её можно специально научить надёжному детектированию определённых классов. В данном случае выходными классами будут классы принадлежащие и не принадлежащие Нейросетевые методы распознавания изображений - доклад к данному типу образов. В [11] применялся нейросетевой сенсор для обнаружения изображения лица во входном изображении. Изображение сканировалось окном 20х20 пикселей, которое подавалось на вход сети, решающей принадлежит ли данный участок к классу лиц. Обучение выполнялось как с внедрением положительных примеров (разных изображений лиц), так и отрицательных (изображений, не являющихся лицами). Для увеличения Нейросетевые методы распознавания изображений - доклад надёжности детектирования употреблялся коллектив НС, обученных с разными исходными весами, вследствие чего НС ошибались по различному, а окончательное решение принималось голосованием всего коллектива.

Рис. 2. Главные составляющие (собственные лица) и разложение изображения на главные составляющие.

НС применяется так же для извлечения главных черт изображения, которые потом употребляются для Нейросетевые методы распознавания изображений - доклад следующей систематизации. В [1,6], показан метод нейросетевой реализации способа анализа основных компонент. Сущность способа анализа основных компонент заключается в получении очень декореллированных коэффициентов, характеризующих входные образы. Эти коэффициенты именуются главными компонентами и употребляются для статистического сжатия изображений, в каком маленькое число коэффициентов употребляется для представления всего вида. НС с одним сокрытым Нейросетевые методы распознавания изображений - доклад слоем содержащим N нейронов (которое много меньше чем размерность изображения), обученная по способу оборотного распространения ошибки восстанавливать на выходе изображение, поданное на вход, сформировывает на выходе укрытых нейронов коэффициенты первых N основных компонент, которые и употребляются для сопоставления. Обычно употребляется от 10 до 200 основных компонент. С повышением номера составляющие её Нейросетевые методы распознавания изображений - доклад репрезентативность очень снижается, и использовать составляющие с большенными номерами не имеет смысла. При использовании нелинейных активационных функций нейронных частей вероятна нелинейная декомпозиция на главные составляющие. Нелинейность позволяет более точно отразить варианты входных данных. Применяя анализ основных компонент к декомпозиции изображений лиц, получим главные составляющие, именуемые своими лицами (holons в работе Нейросетевые методы распознавания изображений - доклад [6]), которым так же присуще полезное свойство – есть составляющие, которые в главном отражают такие значительные свойства лица как пол, раса, эмоции. При восстановлении составляющие имеют вид, схожий на лицо, причём 1-ые отражают более общую форму лица, последние – разные маленькие отличия меж лицами (рис. 2). Таковой способ отлично применим для Нейросетевые методы распознавания изображений - доклад поиска схожих изображений лиц в огромных базах данных. Показана так же возможность предстоящего уменьшения размерности основных компонент с помощью НС [6]. Оценивая качество реконструкции входного изображения можно с ювелирной точностью определять его принадлежность к классу лиц.

2. Нейронные сети высочайшего порядка

Нейронные сети высочайшего порядка (НСВП) отличаются от МНС тем Нейросетевые методы распознавания изображений - доклад, что у их только один слой, но на входы нейронов поступают так же термы высочайшего порядка, являющиеся произведением 2-ух либо более компонент входного вектора [1]. Такие сети так же могут сформировывать сложные разделяющие поверхности.

В [12] показано применение НСВП строго третьего порядка для определения изображений лиц, имеющих произвольные масштабы и двумерные повороты. Приведены способы Нейросетевые методы распознавания изображений - доклад обучения таких сетей. Особенность таковой сети состоят в том, что для обучения некому классу довольно предъявить его образ без вариантов масштабов и поворотов – после обучения сеть будет распознавать известные классы инвариантно к масштабу и поворотам. Такая сеть не является полносвязной, стремительно учится и работает. Отмечено существенное увеличение точности Нейросетевые методы распознавания изображений - доклад систематизации таковой сетью повёрнутых и масштабированных изображений по сопоставлению с МНС.

3. Нейронные сети Хопфилда

НС Хопфилда (НСХ) является однослойной и полносвязной (связи нейронов на самих себя отсутствуют), её выходы связаны со входами. В отличие от МНС, НСХ является релаксационной – т.е. будучи установленной в изначальное состояние, работает до Нейросетевые методы распознавания изображений - доклад того времени, пока не достигнет размеренного состояния, которое и будет являться её выходным значением. НСХ используются в качестве ассоциативной памяти и для решения оптимизационных задач. В первом случае НСХ учится без учителя (к примеру, по правилу Хебба), во 2-м случае веса меж нейронами вначале кодируют решаемую задачку. НСХ бывают Нейросетевые методы распознавания изображений - доклад синхронными, когда сразу пересчитываются все нейроны и асинхронными, когда пересчитывается случаем избранный нейрон. Для исследования динамики функционирования НСХ употребляются способы Ляпунова. Показано [1], что асинхронная НСХ всегда сходится к устойчивым точкам, а аттракторами синхронной НСХ являются устойчивые стационарные точки и предельные циклы длины два. Таким макаром НСХ из исходного состояния сходится к Нейросетевые методы распознавания изображений - доклад наиблежайшему локальному минимуму энергии сети, состояние нейронов в каком и будет восстановленным образом для задач определения, и решением – для оптимизационных задач. Для поиска глобального минимума применительно к оптимизационным задачкам употребляют стохастические модификации НСХ [1].

Применение НСХ в качестве ассоциативной памяти позволяет точно восстанавливать образы, которым сеть обучена, при Нейросетевые методы распознавания изображений - доклад подаче на вход искажённого вида. При всем этом сеть “вспомнит” более близкий (в смысле локального минимума энергии) образ, и таким макаром распознает его. Такое функционирование так же можно представить как последовательное применение автоассоциативной памяти, описанной чуть повыше. В отличие от автоассоциативной памяти НСХ совершенно точно восстановит образ. Для избежания Нейросетевые методы распознавания изображений - доклад интерференционных минимумов и увеличения ёмкости сети употребляют разные способы [1,13]. В работе [13] описано применение НСХ, где распознаваемое изображение лица поначалу подавалось на НСХ, выход которой потом сравнивался с хранимыми изображениями. Отмечено, что подготовительная обработка входного изображения с помощью НСХ значительно увеличивает точность определения.

Применение НСХ в качестве оптимизационного способа для восстановления Нейросетевые методы распознавания изображений - доклад пространственной формы лица по двумерному полутоновому изображению (а так же для детектирования граней) описано в [14]. Тут употребляется вариация НСХ – ячеистая нейронная сеть (ЯНС), в какой нейроны связаны только с наиблежайшими соседями из двумерной области. Матрица связей схожа для всех нейронов и определяется нравом задачки. Отмечаются отличные результаты восстановления трёхмерной Нейросетевые методы распознавания изображений - доклад формы (а именно для изображений лиц) и высочайшая скорость работы.

4. Самоорганизующиеся нейронные сети Кохонена

Самоорганизующиеся нейронные сети Кохонена (СНСК) обеспечивают топологическое упорядочивание входного места образов. Они позволяют топологически безпрерывно показывать входное n-мерное место в выходное m-мерное, m<

В [10] трёхмерная СКК (по 5 узлов на каждое измерение) применялась для уменьшения размерности локальных участков изображения 5х5 (размерность 25). Входное изображение отображается на один из 125 узлов, положение которого в трёхмерной решётке кодирует вектор выходного места. Три измерения СКК принимаются за три главных свойства Нейросетевые методы распознавания изображений - доклад (features [10]). Такое преобразование обеспечило частичную устойчивость к изменению освещения, смещениям и искажениям, освободило от необходимости подготовительной обработки изображения (преимущество – ускорение работы), а так же существенно ускорило процесс обучения и систематизации, делая эту систему применимой в реальном времени (использовалась для определения лиц). Отмечено так же маленькое преимущество СКК перед Нейросетевые методы распознавания изображений - доклад способом анализа основных компонент, которое заключалось в более высочайшей точности следующей систематизации на базе данных уменьшенной размерности.

Нейронная сеть с радиально-базисной функцией (НСРБФ) является предстоящим развитием НС Кохонена, в какой после конкурентноспособного слоя добавлен ещё один слой, обучаемый по способу оборотного распространения. В отличие от НС Кохонена Нейросетевые методы распознавания изображений - доклад в НСРБФ выходами нейронов конкурентноспособного слоя являются значения функции Гаусса с обычным законом рассредотачивания, и обнуление не победивших нейронов не требуется. Ширина радиально-базисной функции охарактеризовывает расстояние меж центром кластера, который появляется каждым нейронным элементом и его наиблежайшими соседями.

В [9] применялись две разные архитектуры НСРБФ для определения лиц. На вход сети Нейросетевые методы распознавания изображений - доклад поступали за ранее извлечённые свойства, приобретенные способом анализа основных компонент либо коэффициенты вэйвлетных преобразований. В первой архитектуре количество выходов соответствовало количеству классов, во 2-ой применялся коллектив сетей, любая из которых была обучена распознавать только собственный класс. Отмечены значимые достоинства систематизации НСРБФ перед конкретным сопоставлением главных черт.

В Нейросетевые методы распознавания изображений - доклад [15] применялись две разные архитектуры ансамблей НСРБФ для подготовительной систематизации изображений. На вход сети поступало изображение полностью, на выходах формировалась промежная систематизация, которая потом подавалась на решающие деревья для контекстно-ориентированного определения изображений лиц (к примеру: “отыскать все изображения определённого человека, где он в очках”). Разные сети в ансамблях первой архитектуры Нейросетевые методы распознавания изображений - доклад обучались систематизировать изображения с разными типами конфигураций, 2-ой – с схожими, но количество нейронов изменялось в процессе обучения. Решающий вывод делал “арбитр”, который воспринимал решение на базе голосования ансамбля сетей.

5. Когнитрон

Когнитрон [3] собственной архитектурой похож на строение зрительной коры, имеет иерархическую многослойную компанию, в какой нейроны меж слоями связаны Нейросетевые методы распознавания изображений - доклад только локально. Учится конкурентноспособным обучением (без учителя). Каждый слой мозга реализует разные уровни обобщения; входной слой чувствителен к обычным образам, таким, как полосы, и их ориентации в определенных областях зрительной области, в то время как реакция других слоев является более сложной, абстрактной и независящей от позиции вида. Подобные функции Нейросетевые методы распознавания изображений - доклад реализованы в когнитроне методом моделирования организации зрительной коры.

Неокогнитрон [3] является предстоящим развитием идеи когнитрона и поболее точно отражает строение зрительной системы, позволяет распознавать образы независимо от их преобразований, вращений, искажений и конфигураций масштаба. Неокогнитрон может как самообучаться, так и учиться с учителем. Неокогнитрон получает на входе двумерные образы Нейросетевые методы распознавания изображений - доклад, подобные изображениям на сетчатой оболочке глаза, и обрабатывает их в следующих слоях аналогично тому, как это было найдено в зрительной коре человека. Естественно, в неокогнитроне нет ничего, ограничивающего его внедрение только для обработки зрительных данных, он довольно универсален и может отыскать обширное применение как обобщенная система определения образов.

В зрительной Нейросетевые методы распознавания изображений - доклад коре были обнаружены узлы, реагирующие на такие элементы, как полосы и углы определенной ориентации. На более больших уровнях узлы реагируют на более сложные и абстрактные образы такие, как окружности, треугольники и прямоугольники. На еще больше больших уровнях степень абстракции увеличивается до того времени, пока не обусловятся узлы, реагирующие Нейросетевые методы распознавания изображений - доклад на лица и сложные формы. В общем случае узлы на более больших уровнях получают вход от группы низкоуровневых узлов и, как следует, реагируют на более широкую область зрительного поля. Реакции узлов более высочайшего уровня наименее зависят от позиции и поболее устойчивы к искажениям.

Когнитрон является массивным средством определения изображений Нейросетевые методы распознавания изображений - доклад, но просит больших вычислительных издержек, которые на сегодня недосягаемы [3].

6. Плюсы и недочеты

Рассмотренные нейросетевые способы обеспечивают резвое и надёжное определение изображений. Но при применении этих способов к изображениям трёхмерных объектов появляются трудности, связанные с пространственными поворотами и конфигурацией критерий освещённости.

а

б

в

Рис. 3. Исходя из убеждений классифицирующей системы (в) больше похоже на Нейросетевые методы распознавания изображений - доклад (б) чем на (а)

Рис. 4. Изображения 1-го и такого же лица значительно различается при изменении освещения.

Изображения для разных углов поворота объекта значительно различаются, часть инфы на изображении пропадает, появляется новенькая, специфичная для данного угла. К примеру, лицо, повёрнутое на некий угол, исходя из убеждений классифицирующей системы [16] больше похоже Нейросетевые методы распознавания изображений - доклад на лицо другого человека, повёрнутое на таковой же угол, чем на необходимое лицо, изображённое в фас (рис. 3). Подобная неувязка с конфигурацией освещения (рис. 4). Такие ограничение обычно преодолеваются оковём предъявления различных вариантов изображения (разные повороты и освещённость) при обучении, но построение такового обучающего набора – тяжелая задачка, и в большинстве случаев такие Нейросетевые методы распознавания изображений - доклад наборы недосягаемы. Как указывает мировой опыт, эти трудности не могут быть стопроцентно решены выбором начального представления данных. Потому к классифицирующим системам предъявляется требование – имея конечный репрезентативный набор вариантов образов неких классов, обобщить собственный опыт на все другие классы, не входившие в обучающий набор. Т.е. система должна извлечь свойства Нейросетевые методы распознавания изображений - доклад, инвариантные к внутриклассовым изменениям и очень репрезентативные по отношению к межклассовым изменениям. Такая задачка в общем виде для систем определения лиц ещё не решена, но есть способы, которые демонстрируют способности решения отдельных её качеств [17,18] (инвариантность к свету, синтез повёрнутых в пространстве изображений лиц на базе обучения). Многообещающий подход в Нейросетевые методы распознавания изображений - доклад этом направлении описан в [10].

Так же есть трудности, связанные с внутриклассовыми вариантами. Для лиц это разные эмоции, закрытые/открытые глаза, наличие очков и бород, конфигурации в причёске. Эти случаи система так же должна уметь обобщать.

В общем случае, при распознавании человек употребляет информацию от разных источников, и не Нейросетевые методы распознавания изображений - доклад считая того завлекает большой припас контекстных познаний, который системам определения образов пока недоступен.

7. Заключение

Дан обзор разных нейросетевых способов определения изображений. Рассмотрены плюсы и недочеты этих способов при распознавании двумерных и трёхмерных объектов. Указаны задачи при распознавании трёхмерных объектов. Выделены многообещающие направления в распознавании трёхмерных объектов. Отмечены способности внедрения нейросетевых Нейросетевые методы распознавания изображений - доклад способов для задачки определения человека по изображению лица.

8. Ресурсы в сети веб

Во глобальной сети веб доступен большой объём инфы, посвящённой нейросетевой теме и дилемме определения изображений.

Русские ресурсы.

· http://www.neuropower.de/ – ресурс, посвящённый искусственному уму и нейросетевой теме, доступен большой объём литературы в архиве.

· http://neurnews.iu4.bmstu Нейросетевые методы распознавания изображений - доклад.ru/ – статьи и книжки по нейросетевой теме.

· http://www.chat.ru/~saisa – материалы по генетическим методам.

· http://nncourse.chat.ru/ – учебное пособие “Нейронные сети (главные модели)”.

Англоязычные ресурсы.

· Большая часть материалов имеет формат .ps (PostScript), для просмотра которых требуется программка GSView, адресок ресурса – http://www.cs.wisc.edu Нейросетевые методы распознавания изображений - доклад/~ghost, либо требуется скопировать последующие файлы:

o ftp://ftp.cs.wisc.edu/ghost/aladdin/gs650/gs650w32.exe,

o ftp://ftp.cs.wisc.edu/ghost/ghostgum/gsv34w32.exe.

· http://www.cs.rug.nl/users/peterkr/FACE/face.html – ресурс, посвящённый дилемме определения человека по изображению лица. Дано огромное Нейросетевые методы распознавания изображений - доклад количество ссылок на ресурсы аналогичной темы, на нейросетевые ресурсы, ссылки на ресурсы научных обществ, занимающихся смежными неуввязками, ссылки на тестовые базы данных.

· http://www.ks.informatik.uni-kiel.de/~vok/research/research.html – ресурс доктора Волькера Крюгера. Посвящён обработке изображений и дилемме определения человека по изображению лица.

· http://www Нейросетевые методы распознавания изображений - доклад.funet.fi/pub/sci/neural/neuroprose – архив статей по нейронным сетям.

· http://www.neci.nec.com/~lawrence – ресурс доктора Стива Лоренса. Доступна публикация по свёрточным нейронным сетям.

· http://www.cnl.salk.edu/~wiskott/homepage.html – ресурс о применении нейронных сетей к дилемме определения человека по изображению лица.

Литература
  1. Головко Нейросетевые методы распознавания изображений - доклад В.А. Нейроинтеллект: Теория и внедрения. Книжка 1. Организация и обучение нейронных сетей с прямыми и оборотными связями – Брест:БПИ, 1999, - 260с.
  2. Головко В.А. Нейроинтеллект: Теория и внедрения. Книжка 2. Самоорганизация, отказоустойчивость и применение нейронных сетей – Брест:БПИ, 1999, - 228с.
  3. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика, 1992 – 184с.
  4. Petrou M. Learning Нейросетевые методы распознавания изображений - доклад in Pattern Recognition. Lecture Notes in Artificial Intelligence – Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 1-12.
  5. Jacobsen X., Zscherpel U. and Perner P. A Comparison between Neural Networks and Decision Trees. Lecture Notes in Artificial Intelligence – Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 144-158.
  6. Valentin D., Abdi H Нейросетевые методы распознавания изображений - доклад., O'Toole A. J. and Cottrell G. W. Connectionist models of face processing: a survey. IN: Pattern Recognition 1994, Vol. 27, pp. 1209-1230.
  7. Aizenberg I. N., Aizenberg N. N. and Krivosheev G.A. Multi-valued and Universal Binary Neurons: Learning Algorithms, Applications to Image Processing and Recognition. Lecture Notes in Artificial Intelligence Нейросетевые методы распознавания изображений - доклад – Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 21-35.
  8. Yoon K. S., Ham Y. K. and Park R.-H. Hybrid approaches to frontal view face recognition using the Hidden Markov Model and Neural Network. Pattern Recognition 1998 Vol. 31, pp. 283-293.
  9. Ranganath S. and Arun K. Face recognition using transform features and neural Нейросетевые методы распознавания изображений - доклад networks. Pattern Recognition 1997, Vol. 30, pp. 1615-1622.
  10. Lawrence S., Giles C. L., Tsoi A. C. and Back A. D. Face Recognition: A Convolutional Neural Network Approach. IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition, pp. 1-24.
  11. Rowley H. A., Baluja S. and Kanade T. Neural Network-Based Нейросетевые методы распознавания изображений - доклад Face Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1998, Vol. 20, pp. 23-37.
  12. Foltyniewicz R. Efficient High Order Neural Network for Rotation, Translation and Distance Invariant Recognition of Gray Scale Images. Lecture Notes in Computer Science – Computer Analysis of Images and Patterns, 1995, pp. 424-431.
  13. Dai Y. and Nakano Нейросетевые методы распознавания изображений - доклад Y. Recognition of facial images with low resolution using a Hopfield memory model. Pattern Recognition 1998, Vol. 31, pp. 159-167.
  14. Milanova M., Almeida P. E. M., Okamoto J. and Simoes M. G. Applications of Cellular Neural Networks for Shape from Shading Problem. Lecture Notes in Artificial Intelligence – Machine Learning and Data Mining Нейросетевые методы распознавания изображений - доклад in Pattern Recognition, 1999, pp. 51-63.
  15. Gutta S. and Wechsler H. Face recognition using hybrid classifiers. Pattern Recognition 1997, Vol. 30, pp. 539-553.
  16. Самаль Д.И., Старовойтов В.В. – Подходы и способы определения людей по фотопортретам. – Минск, ИТК НАНБ, 1998. – 54с.
  17. Belhumeur P. N., Hespanha J. P. and Kriegman D. J. Eigenfaces vs Fisherfaces: Recognition Using Class Specific Нейросетевые методы распознавания изображений - доклад Linear Projection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 711-720.
  18. Vetter T. and Poggio T. Linear Object Classes and Image Synthesis From a Single Example Image. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 733-742.

nekotorie-dela-fas-rossii-v-2009g-pravila-nediskriminacionnogo-dostupa-k-uslugam-monopolij-24-nediskriminacionnij.html
nekotorie-drugie-metodi-balansirovki-igri.html
nekotorie-eksperimentalnie-modeli-libido.html