![](/irbis64r_81/images/db_navy.gif) Віртуальна довідка ![](/irbis64r_81/images/db_navy.gif) Тематичний інтернет-навігатор ![](/irbis64r_81/images/db_navy.gif) Наукова електронна бібліотека ![](/irbis64r_81/images/db_navy.gif) Автореферати дисертацій ![](/irbis64r_81/images/db_navy.gif) Реферативна база даних ![](/irbis64r_81/images/db_navy.gif) Книжкові видання та компакт-диски ![](/irbis64r_81/images/db_navy.gif) Журнали та продовжувані видання
![Mozilla Firefox](../../ico/mf.png) |
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Формат представлення знайдених документів: | повний | стислий |
Пошуковий запит: (<.>A=Polyakova M$<.>) |
Загальна кількість знайдених документів : 8
Представлено документи з 1 до 8
|
| | | | |
1. |
Polyakova M. Combined method for scanned documents images segmentation using sequential extraction of regions / M. Polyakova, A. Ishchenko, N. Volkova, O. Pavlov // Вост.-Европ. журн. передовых технологий. - 2018. - № 5/2. - С. 6-15. - Бібліогр.: 18 назв. - англ.Запропоновано комбінований метод сегментації зображень відсканованих документів, в якому, на відміну від відомих, проводиться попереднє відокремлення області графічних і фотозображень від текстових областей і фону. При цьому проводиться аналіз зв'язкових компонент, які є різними для графічних зображень, фотозображень і текстових областей. Для класифікації виділених областей, на області фото і графіки використовується блоковий метод. Встановлено, що такий спосіб розбиття областей на блоки менше впливає на якість сегментування в порівнянні з застосуванням блочного методу безпосередньо до вихідного зображення. Для відділення більш складних за формою текстових областей від фону застосовано обробку околиці кожного пікселя. Для виділення на зображеннях відсканованих документів границь ілюстрацій використовувався метод Блумберга. Для поділу на фото і графіку запропоновано розбиття ілюстрації на блоки пікселів. Кожному блоку пікселів відповідає вектор з двох ознак: середнього значення величини локального градієнта і середнього значення функції, що локалізує на зображеннях відсканованих документів лінійні об'єкти (графіка і символи тексту). Отримання вектора ознак класифікувалися машиною опорних векторів. При виділенні текстових фрагментів використовувалися низькочастотна фільтрація і порогове перетворення. Практичне відпрацювання комбінованого методу проведено для сегментації текстових зображень відсканованих статей газет з бази даних документів MediaTeam університету Оулу (Фінляндія). Встановлено, що комбінований метод характеризується підвищеною швидкодією сегментації зображень за високої якості обробки. Індекс рубрикатора НБУВ: З970.632
Рубрики:
Шифр НБУВ: Ж24320 Пошук видання у каталогах НБУВ
|
| | | | |
2. |
Ishchenko A. Elaboration of structural representation of regions of scanned document images for MRC model / A. Ishchenko, M. Polyakova, V. Kuvaieva, A. Nesteryuk // Вост.-Европ. журн. передовых технологий. - 2018. - № 6/2. - С. 32-38. - Бібліогр.: 18 назв. - англ.Модель змішаного растрового контенту (Mixed Raster Content (MRC)) є поширеною формою представлення зображення відсканованого документа. Виконано подальший розвиток МРЗК, який полягає в структурно-статистичному представленні однорідних областей на кожному шарі зображення MRC моделі. Метою такого представлення зображення є подальше виділення областей зображення, які цікавлять, та ідентифікація для вирішення задачі сегментації зображень відсканованих документів. Шар, що містить графічні та фотозображення, представлявся у вигляді об'єднання кількох областей за допомогою кусочно-постійної функції інтенсивності області зображення. Для цього графічне та фотозображення представлялися у вигляді розбиття на сегменти, що містять пікселі однорідної інтенсивності. Для визначення цих областей з метою відділення графіки від фотозображень розглядалися значення перепаду інтенсивності пікселів на границях множин, що містять дані області. Шар, що містить текст, представлявся як зображення областей структурної текстури на однорідному фоні. Ці області містили фрагменти звичайного тексту та заголовка, що мають однакову інтенсивність пікселів і розрізняються формою та розміром символів, а також відстанню між ними. Таке уявлення шару надало можливість врахувати просторові зв'язки між пікселями в зображенні символу і надалі виділити область тексту з фону. Запропонована модель представлення зображення відсканованого документа надає можливість виділити шари зображення, що містять однорідні області, та звести процес сегментації всього зображення до сегментації окремих шарів зображення. Це надає можливість підвищити швидкодію обробки за збереження високої якості сегментації зображення. Індекс рубрикатора НБУВ: З970.632
Рубрики:
Шифр НБУВ: Ж24320 Пошук видання у каталогах НБУВ
|
| | | | |
3. |
Horpenko D. Development of a mobіle decіsіon support system based on the Smart method for Android platform / D. Horpenko, N. Volkova, M. Polyakova, V. Krylov // Вост.-Европ. журн. передовых технологий. - 2019. - № 3/2. - С. 6-14. - Бібліогр.: 18 назв. - англ.Мета роботи - розробка мобільної системи підтримки прийняття рішень для розв'язання багатокритеріальних задач. Для забезпечення автономної роботи системи запропоновано використовувати трирівневу архітектуру. Дана модель, для забезпечення повторного використання і поширення коду, реалізується у вигляді трьох рівнів прикладного коду: рівня представлення, рівня логіки застосунку та рівня даних. Розробка рівня логіки застосунку в розробленій системі підтримки прийняття рішень передбачає створення підсистеми прийняття рішення, підсистеми взаємодії з базою даних і підсистеми управління повідомленнями. В основі підсистеми прийняття рішень в розробленій мобільній системі був обраний удосконалений метод Smart. Цей метод відрізняється від класичного методу тим, що особа, яка приймає рішення, використовує елементи матриці рішень як оцінку кожної альтернативи за всіма критеріями. Також враховується характер дії над критеріями (максимізація або мінімізація), з урахуванням якого відбувається нормуванням елементів матриці рішень. Запуск роботи підсистеми взаємодії з базою даних, яка відповідає за передачу та вилучення даних в/з бази даних, відбувається за допомогою інтерфейсу користувача. Для створення бази даних використано систему управління реляційної базою даних SQLite. SQLite зберігає всю базу даних (включаючи визначення, таблиці, індекси і дані) в одному стандартному файлі на пристрої, на якому виконується програма. Підсистема управління повідомленнями надає можливість особі, що приймає рішення, відправляти результати розрахунків через мережу Internet або за допомогою служби коротких повідомлень (SMS). Мобільну систему підтримки прийняття рішень розроблено на мові Java в Androіd Studio 3.2.1. Як використання розробленої мобільної системи розглянуто задачу покупки смартфона. Індекс рубрикатора НБУВ: З810.41 + З970.31-018.41
Рубрики:
Шифр НБУВ: Ж24320 Пошук видання у каталогах НБУВ
|
| | | | |
4. |
Ishchenko A. V. The technique оf extraction text аreas оn scanned document image using linear filtration = Методика виділення текстових областей на зображенні відсканованого документа з використанням лінійної фільтрації / A. V. Ishchenko, M. V. Polyakova, A. G. Nesteryuk // Appl. Aspects of Inform. Technology. - 2019. - 2, № 3. - С. 206-215. - Бібліогр.: 26 назв. - англ.Запропоновано методику виділення текстових областей на зображенні відсканованого документа з фону. Текстові області зображення мають приблизно однакові значення інтенсивності всередині цих областей. Тому використовується лінійна фільтрація та порогове перетворення (ПП) зображення. Лінійна фільтрація надає можливість згладити значення інтенсивності пікселів всередині однорідних областей. При ПП використовується значення порога, яке надає можливість виділити однорідні області зображення, що становлять текстові фрагменти, з фону. Проведено дослідження вибору порогового значення для виділення однорідних областей тексту, яке показало, що значення порога краще вибирати серед інтенсивностей пікселів у підставі піку гістограми, який відповідає фону. Вибір порога запропоновано здійснювати за значенням другої похідної для гістограми зображення після лінійної фільтрації. Тому як поріг вибирається значення інтенсивності локального максимуму гістограми, який знаходиться ближче інших локальних максимумів до правого кінця інтервалу інтенсивностей зображення. Для цього проводиться аналіз гістограми розподілу значень інтенсивності пікселів зображення після лінійної фільтрації по рядках і стовпцях на кожному кроці. Апробацію запропонованої методики виділення текстових областей зображення проведено для сегментації текстових зображень відсканованих архівних газет із бази даних документів MediaTeam університету Оулу (Фінляндія). Запропонована методика виділення текстових фрагментів із фону з використанням лінійної фільтрації та поро-гового перетворення надала можливість підвищити якість виділення цих областей у порівнянні з аналогічним методом за відсотком правильного розпізнавання областей тексту на 12 %, що є актуальним для задачі сегментації зображень. Індекс рубрикатора НБУВ: З970.63
Рубрики:
Шифр НБУВ: Ж101736 Пошук видання у каталогах НБУВ
|
| | | | |
5. |
Polyakova M. V. Image segmentation with a convolutional neural network without pooling layers in dermatological disease diagnostics systems = Сегментацiя зображень згортковою нейронною мережею без пулiнгових шарiв в системах дiагностики дерматологiчних захворювань / M. V. Polyakova // Радіоелектроніка. Інформатика. Управління. - 2023. - № 1. - С. 51-61. - Бібліогр.: 27 назв. - англ.Розглянуто задачу автоматизації процесу сегментації спектрально-статистичних текстурних зображень. Об'єкт дослідження - обробка зображень у системах діагностики дерматологічних захворювань. Мета дослідження - покращення якості сегментації кольорових псоріазних зображень шляхом розробки згорткової нейронної мережі глибокого навчання без пулінгових шарів. Запропоновано згорткову нейронну мережу для обробки трьохканального псоріазного зображення заданого розміру. Початкові кольорові зображення було масштабовано до заданого розміру, а потім подано на вхідний шар нейронної мережі. Архітектура запропонованої нейронної мережі складається з чотирьох згорткових шарів з пакетною нормалізацією та функцією активації ReLU. Карти ознак із виходу цих шарів передавалися до згорткового шару 1x1 з функцією активації Softmax. Отримані карти ознак подавалися до шару класифікації пікселів зображення. При сегментуванні зображень згорткові та пулінгові шари оцінюють ознаки фрагментів зображення, а повністю зв'язані шари класифікують отримані вектори ознак, виконуючи розбиття зображення на однорідні сегменти. Ознаки сегментації оцінювалися в результаті навчання мережі а допомогою зображень, сегментованих експертом. Отримані ознаки стійкі до завад та спотворень зображень. Об'єднання результатів сегментації в різних масштабах визначається архітектурою мережі. Пулінгові шари включалися в архітектуру запропонованої згорткової нейронної мережі, оскільки вони зменшують розмір карт ознак порівняно з розміром початкового зображення та можуть знизити якість сегментації невеликих псоріазних плям та псоріазних плям складної форми. Запропоновану згорткову нейронну мережу реалізовано програмно і досліджено при вирішенні задачі сегментації псоріазних зображень. Висновки: використання запропонованої згорткової нейронної мережі дозволило підвищити якість сегментації зображень бляшкового та крапельного псоріазу, особливо на границях плям. Перспективи подальших досліджень можуть полягати у дослідженні якості сегментації зображень запропонованою згортковою нейронною мережею, якщо на дерматологічних зображеннях присутні різкі зміни кольору та освітленості, розмиття, а також фрагменти складного фону, наприклад, що містять одяг або фрагменти інтер'єру. Доцільно використовувати запропоновану згорткову нейронну мережу в інших задачах обробки кольорових зображень для сегментації статистичних або спектрально-статистичних текстурних областей на однорідному або текстурованому фоні. Індекс рубрикатора НБУВ: Р60-43 с
Рубрики:
Шифр НБУВ: Ж16683 Пошук видання у каталогах НБУВ
|
| | | | |
6. |
Polyakova M. V. Improvement of the color text image binarization method using the minimum-distance classifier = Вдосконалення методу бінаризації кольорових зображень тексту з використанням класифікатора за мінімумом відстані / M. V. Polyakova, A. G. Nesteryuk // Appl. Aspects of Inform. Technology. - 2021. - 4, № 1. - С. 57-70. - Бібліогр.: 30 назв. - англ.Системи оптичного розпізнавання символів на зображеннях використовуються для конвертації книг і документів в електронний вигляд, для автоматизації систем обліку в бізнесі, при розпізнаванні маркерів технологіями доповненої реальності та ін. Якість оптичного розпізнавання символів за умови застосування бінаризації значною мірою визначається якістю відділення пікселів переднього плану від тла. Проаналізовано методи бінаризації зображень тексту та відзначено недостатню якість бінаризації. Щоб підвищити якість бінаризації кольорових зображень тексту, доцільно для поділу пікселів зображення на 2 класи, "Передній план" і "Тло", використовувати замість евристичного вибору порога класифікаційні методи. Як напрямок досліджень обрано вдосконалення існуючого методу бінаризації кольорових зображень тексту шляхом використання класифікатора за мінімумом відстані. Для скорочення обсягу оброблюваної інформації до застосування класифікатора доцільно виділити блоки пікселів для подальшої обробки. Це виконано за допомогою аналізу зв'язкових компонент на оригінальному документі. Розроблено вдосконалений метод бінаризації кольорових зображень тексту з застосуванням аналізу зв'язкових компонент і класифікатора за мінімумом відстані. Дослідження розробленого методу показало, що він краще існуючих методів бінаризації за показниками завадостійкості бінаризації, але гірший за показником, що характеризує похибку визначення меж об'єктів. Серед помилок розпізнавання частіше пікселі зображень з класу з міткою "Передній план" неправильно ставилися до класу з міткою "Тло". Запропонований метод бінаризації у разі єдиності прототипів класів рекомендується використовувати в задачах обробки кольорових зображень друкованого тексту, для якого похибка визначення меж символів у результаті бінаризації компенсується товщиною букв. У разі множинності прототипів класів запропонований метод бінаризації рекомендовано використовувати в задачах обробки кольорових зображень рукописного тексту, якщо не потрібна висока швидкодія. Вдосконалений метод бінаризації показав свою працездатність у випадках повільної зміни кольору й освітленості тексту та тла, проте стрибкоподібні зміни кольору й освітленості, а також текстуроване тло не надасть змоги забезпечити необхідну для вирішення практичних завдань якість бінаризації. Індекс рубрикатора НБУВ: З970.632.4
Рубрики:
Шифр НБУВ: Ж101736 Пошук видання у каталогах НБУВ
|
| | | | |
7. |
Polyakova M. V. Comparative analysis of classifiers for face recognition on image fragments identified by the FaceNet neural network = Порівняльний аналіз класифікаторів для розпізнавання обличь на фрагментах зображень, які ідентифіковано нейронною мережею FaceNet / M. V. Polyakova, D. Yu. Kozak, N. A. Huliaieva // Herald of Advanced Inform. Technology. - 2022. - 5, № 2. - С. 91-101. - Бібліогр.: 25 назв. - англ.У результаті аналізу літератури виділено основні методи розпізнавання обличь на фрагментах кольорових зображень: гнучке порівняння на графах, приховані марківські моделі, аналіз головних компонентів, нейромережеві методи. Проаналізовані методи розпізнавання обличь, відомі з літератури, в основному характеризуються значними обчислювальними витратами та невисокою якістю розпізнавання. Винятком є нейромережеві методи розпізнавання обличь, які після завершення навчання надають змогу отримати високу якість розпізнавання за малих обчислювальних витрат. Однак у разі зміни еталонних зображень обличь часто виникає необхідність довизначення архітектури мережі та перенавчання мережі. Особливостями нейромережевих методів є складність вибору архітектури мережі та її навчання. Ряд робіт присвячено використанню нейронних мереж лише для побудови векторів ознак зображень обличь. Класифікація отриманих векторів ознак виконується відомими методами: порівнянням із порогом, лінійною машиною опорних векторів, найближчих сусідів, випадковим лісом. Було помічено, що умови освітлення, в яких отримані зображення, та поворот голови впливають на форму поверхні, що розділяє, і можуть погіршити якість класифікації векторів ознак для зображень обличь. Тому для підвищення якості класифікації вирішено використовувати кореляційне зіставлення з еталоном, нелінійну машину опорних векторів і логістичну регресію. Проведений експеримент показав, що кореляційне зіставлення з еталоном в умовах поганого освітлення зображень осіб відрізняється вищими значеннями показників якості класифікації у порівнянні з пороговим класифікатором. Причому застосування коефіцієнтів кореляції Пірсона та Спірмена показало подібні результати, а у разі використання коефіцієнта кореляції Кенделла було отримано гірші значення показників якості класифікації у порівнянні з коефіцієнтами Пірсона та Спірмена. Дослідження якості класифікації зображень обличь, що відрізняються поворотом голови, з застосуванням кореляційного зіставлення з еталоном, нелінійної машини опорних векторів та логістичної регресії показало наступне. Кореляційне зіставлення з еталоном більш доцільно використовувати за малих обсягів даних завдяки високій якості класифікації та невеликій обчислювальній складності, оскільки малий обсяг даних вимагає великої кількості порівнянь. Однак на великих обсягах даних нелінійна машина опорних векторів вимагає меншої кількості обчислень і показує схожу якість класифікації. Використовуючи результати проведеного експерименту, дослідник може вибрати методи класифікації для конкретного набору зображень обличь, попередньо представивши їх векторами ознак за допомогою мережі FaceNet.
Шифр НБУВ: Ж101737 Пошук видання у каталогах НБУВ
|
| | | | |
8. |
Polyakova M. V. Data normalization methods to improve the quality of classification in the breast cancer diagnostic system = Методи нормалізації даних для покращення якості класифікації у системі діагностики онкології молочної залози / M. V. Polyakova, V. N. Krylov // Appl. Aspects of Inform. Technology. - 2022. - 5, № 1. - С. 55-63. - Бібліогр.: 24 назв. - англ.У системах діагностування онкології отримані в результаті біопсії молочної залози зображення клітин часто ідентифікують статистичними та геометричними ознаками. Для класифікації значень цих ознак, представлених, зокрема, в тестовій базі Wisconsin Diagnostic Breast Cancer, в літературі використовували наївний байєсівський класифікатор, метод k-найближчих сусідів, нейронні мережі й ансамблі дерев рішень. Помічено, що результати класифікації, отримані з застосуванням цих методів, в основному, відрізняються в межах статистичної похибки. На форму кластерів і наявність викидів даних суттєво впливає підготовка даних, зокрема метод нормалізації значень їх ознак. Під нормалізацією розуміється приведення значень ознак до певного інтервалу. Різниця в інтервалах значень ознак може призвести до неявного зважування ознак під час класифікації об'єктів. Після виділення ознак та їх нормалізації, множина даних, що належать одному класу, може бути розбитою на декілька кластерів у результаті спотворення ознакового простору. Для виділення таких даних в один клас відстань між ними має бути більшою за внутрішній розкид даних у кожному з кластерів. Тому крім нормалізації підготовка даних може включати декореляцію та ортогоналізацію ознак, наприклад, за допомогою аналізу головних компонентів, який обирає проекції ознак з кращим розподілом класів. Отже, для підвищення якості класифікації в роботі використовувалися методи нормалізації даних і метод аналізу даних за допомогою головних компонент. Показано, що доцільно використовувати стандартне, робастне або мінімаксне нормування векторів ознак клітин, якщо обраний класифікатор k-найближчих сусідів або наївний байєсівський класифікатор. Якщо класифікація векторів ознак клітин на зображеннях біопсії молочної залози проводилася за допомогою ансамблю дерев рішень, застосування нормалізації не надало підвищення якості класифікації. Скорочення розмірності простору ознак шляхом аналізу головних компонент доцільно проводити тільки для методу k-найближчих сусідів. У разі використання наївного байєсівського класифікатора й ансамблів дерев рішень перехід до головних компонентів знижує якість класифікації. Використовуючи результати проведеного експерименту, можна вибрати методи підготовки даних для конкретного завдання.
Шифр НБУВ: Ж101736 Пошук видання у каталогах НБУВ
|
|
|