PODEJŚCIE TENSOROWE I WEKTOROWE DO ROZPOZNAWANIA OBIEKTÓW ZA POMOCĄ FILTRÓW CECH ODWROTNYCH
Roman Kvуetnyy
rkvetny@sprava.netVinnytsia National Technical University (Ukraina)
https://orcid.org/0000-0002-9192-9258
Yuriy Bunyak
Vinnytsia Mykhailo Kotsiubynskyi State Pedagogical University (Ukraina)
https://orcid.org/0000-0002-0862-880X
Olga Sofina
Vinnitsia National Technical University (Ukraina)
https://orcid.org/0000-0003-3774-9819
Volodymyr Kotsiubynskyi
Vinnitsia National Technical University (Ukraina)
https://orcid.org/0000-0001-6759-5078
Tetiana Piliavoz
Vinnitsia National Technical University (Ukraina)
https://orcid.org/0000-0001-7535-7360
Olena Stoliarenko
Vinnytsia Mykhailo Kotsiubynskyi State Pedagogical University (Ukraina)
https://orcid.org/0000-0002-1899-8089
Saule Kumargazhanova
D. Serikbayev East Kazakhstan Technical University (Kazachstan)
https://orcid.org/0000-0002-6744-4023
Abstrakt
Rozważane jest badanie ekstrakcji cech obiektów obrazu przez filtry oparte na prezentacji danych tensorowych i wektorowych. Dane tensorowe uzyskuje się jako sumę tensorów pierwszego rzędu, otrzymanych przez iloczyn tensorowy wektora leksykograficznej reprezentacji pikseli fragmentów obrazu z samym sobą. Skumulowany tensor jest aproksymowany przez tensor pierwszego rzędu uzyskany przy użyciu dekompozycji wartości osobliwych. Wykazano, że główny wektor dekompozycji można uznać za wektor cech obiektu. Dane wektorowe uzyskuje się poprzez akumulację analogicznych wektorów pikseli fragmentów obrazu. Skumulowany wektor jest również uważany za cechę obiektu. Banki filtrów zestawu obiektów są uzyskiwane przez regularyzowaną inwersję macierzy skompilowanych przez wektory cech obiektów. Zoptymalizowana regularyzacja inwersji jest wykorzystywana do rozszerzenia obszarów przechwytywania cech obiektów przy minimalnym błędzie. Fragmenty obiektów i odpowiadające im wektory cech są wybierane w iteracyjnym procesie uczenia. Podejście tensorowe i wektorowe tworzy dwa kanały rozpoznawania. Wysoką skuteczność rozpoznawania obiektów można osiągnąć, wybierając pasmo przechwytywania filtrów i tworząc gałęzie filtrów zgodnie z podanymi pasmami. Filtry tworzą sieć konwolucyjną do rozpoznawania zestawu obiektów. Wykazano, że uzyskane filtry mają przewagę nad znanymi filtrami korelacyjnymi podczas rozpoznawania obiektów z małymi fragmentami.
Słowa kluczowe:
rozpoznawanie obiektów, cechy obiektów, tensor danych obrazu, wektor danych obrazu, filtry odwrotne, zoptymalizowana regularyzacjaBibliografia
Andaló F. A. et al.: Shape feature extraction and description based on tensor scale. Pattern Recognition 43(1), 2010, 26–36 [https://doi.org/10.1016/j.patcog.2009.06.012].
Google Scholar
Avrunin O. G. et al.: Features of image segmentation of the upper respiratory tract for planning of rhinosurgical surgery. 39th International Conference on Electronics and Nanotechnology, ELNANO 2019, 485–488.
Google Scholar
Deng Y., Tang X., Qu A.: Correlation Tensor Decomposition and Its Application in Spatial Imaging Data. J. of the American Statistical Association 118(541), 2023, 440–456 [https://doi.org/10.1080/01621459.2021.1938083].
Google Scholar
De Lathauwer L.: Signal Processing based on Multilinear Algebra. PhD thesis, Katholieke Universiteit Leuven, 1997.
Google Scholar
Dubrovin B. A., Fomenko A. T., Novikov S. P.: Modern Geometry – Methods and Applications Pt. 1. Springer, New York 1992.
Google Scholar
Comon P.: Tensor decomposition: State of the art and applications. V. J. G. McWhirter, I. K. Proudler (eds): Mathematics in Signal Processing, Oxford University Press, Oxford 2002.
Google Scholar
Fernandez J. A. et al.: Zero-Aliasing Correlation Filters for Object Recognition. IEEE Trans. on Pattern Analysis and Machine Intelligence 37(8), 2015, 1702–1715.
Google Scholar
Fu Y., Huang T. S.: Image Classification Using Correlation Tensor Analysis. IEEE Trans on Image Processing 17(2), 2008, 226–234.
Google Scholar
Grasedyck L.: Hierarchical Singular Value Decomposition of Tensors. SIAM Journal on Matrix Analysis and Applications 31(4), 2010 2029–2054 [https://doi.org/10.1137/090764189].
Google Scholar
Kolda T. G., Bader B. W.: Tensor decompositions and applications. SIAM Rev. 51, 2009, 455–500.
Google Scholar
Kvуetnyy R. et al.: Inverse correlation filters of objects features with optimized regularization for image processing. Proc. SPIE 12476, 2022, 124760Q [https://doi.org/10.1117/12.2664497].
Google Scholar
Orazayeva A. et al.: Biomedical image segmentation method based on contour preparation. Proc. SPIE 12476, 2022, 1247605 [https://doi.org/10.1117/12.2657929].
Google Scholar
Oseledets I. V.: Tensor-train decomposition. SIAM Journal on Scientific Computing 33(5), 2011, 2295–2317 [https://doi.org/10.1137/090752286].
Google Scholar
Pavlov S. V.: Information Technology in Medical Diagnostics. W. Wójcik, A. Smolarz (eds), CRC Press, 2017.
Google Scholar
Panagakis Y. et al.: Тensor Methods in Computer Vision and Deep Learning. Proceedings of the IEEE 105(5), 2021, 863–890 [https://doi.org/10.1109/JPROC.2021.3074329].
Google Scholar
Phan A. H., Cichocki A.: Tensor decompositions for feature extraction and classification of high dimensional datasets. Nonlinear Theory and Its Applications IEICE 1(1), 2010, 37–68 [https://doi.org/10.1587/nolta.1.37].
Google Scholar
Timchenko L. I. et al.: Q-processors for real-time image processing. Proc. SPIE 11581, 2020, 115810F [https://doi.org/10.1117/12.2580230].
Google Scholar
Tucker L. R.: Some mathematical notes on three mode factor analysis. Psychometrika 31(3), 1966, 279–311 [https://doi.org/10.1007/BF02289464].
Google Scholar
Vijaya Кumar B. V. K., Mahalanobis A., Juday R. D.: Correlation pattern recognition. Cambridge University Press, Cambridge 2005.
Google Scholar
Wilkinson J. H., Reinsch C.: Handbook for Automatic Computation. Linear Algebra. Heidelberg New York, Springer Verlag, Berlin, 1974.
Google Scholar
Autorzy
Roman Kvуetnyyrkvetny@sprava.net
Vinnytsia National Technical University Ukraina
https://orcid.org/0000-0002-9192-9258
Autorzy
Yuriy BunyakVinnytsia Mykhailo Kotsiubynskyi State Pedagogical University Ukraina
https://orcid.org/0000-0002-0862-880X
Autorzy
Olga SofinaVinnitsia National Technical University Ukraina
https://orcid.org/0000-0003-3774-9819
Autorzy
Volodymyr KotsiubynskyiVinnitsia National Technical University Ukraina
https://orcid.org/0000-0001-6759-5078
Autorzy
Tetiana PiliavozVinnitsia National Technical University Ukraina
https://orcid.org/0000-0001-7535-7360
Autorzy
Olena StoliarenkoVinnytsia Mykhailo Kotsiubynskyi State Pedagogical University Ukraina
https://orcid.org/0000-0002-1899-8089
Autorzy
Saule KumargazhanovaD. Serikbayev East Kazakhstan Technical University Kazachstan
https://orcid.org/0000-0002-6744-4023
Statystyki
Abstract views: 70PDF downloads: 100
Inne teksty tego samego autora
- Roman Kvуetnyy, Yuriy Bunyak, Olga Sofina, Oleksandr Kaduk, Orken Mamyrbayev, Vladyslav Baklaiev, Bakhyt Yeraliyeva, OPTYMALIZACJA OFERT REKLAMOWYCH POPRZEZ UKIERUNKOWANIE W OPARCIU O SAMOUCZĄCĄ SIĘ BAZĘ DANYCH , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 4 (2023)
- Madina Bazarova, Waldemar Wójcik, Gulnaz Zhomartkyzy, Saule Kumargazhanova, Galina Popova , TRANSFER WIEDZY JAKO JEDEN Z CZYNNIKÓW ZWIĘKSZANIA KONKURENCYJNOŚCI UNIWERSYTETU , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 9 Nr 3 (2019)
- Roman Obertyukh, Andrіі Slabkyі, Leonid Polishchuk, Oleksandr Povstianoi, Saule Kumargazhanova, Maxatbek Satymbekov, MODELE DYNAMICZNE I MATEMATYCZNE HYDRAULICZNEGO URZĄDZENIA IMPULSOWEGO DO CIĘCIA WIBRACYJNEGO Z GENERATOREM IMPULSÓW WBUDOWANYM W SPRĘŻYNĘ PIERŚCIENIOWĄ , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 3 (2022)
- Yosyp Bilynsky, Aleksandr Nikolskyy, Viktor Revenok, Vasyl Pogorilyi, Saule Smailova, Oksana Voloshina, Saule Kumargazhanova, KONWOLUCYJNE SIECI NEURONOWE DO WCZESNEJ DIAGNOSTYKI KOMPUTEROWEJ DYSPLAZJI U DZIECI , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 2 (2023)
- Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Natalia Kalashnik, Iryna Shvarts, Vladyslav Plisenko, Dmytro Zhuk, Saule Kumargazhanova, PROCES UCZENIA WZGLĘDEM LOKALNEGO PROGU RÓŻNICY W FILTROWANIU NORMALNEGO SZUMU BIAŁEGO , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 2 (2023)
- Vira Petruk, Olena Prozor, Yuliia Sabadosh, Iryna Baranovska, Maksim Palii, Yevheniia Moroz, Saule Kumargazhanova, Dinara Mussayeva, STATYSTYCZNE METODY OCENY DANYCH EKSPERYMENTALNYCH DOTYCZĄCYCH WYKORZYSTANIA KOMPETENCJI MATEMATYCZNYCH W BADANIACH NA RZECZ ODPORNEJ GOSPODARKI , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 2 (2023)
- Anna Vitiuk, Leonid Polishchuk, Nataliia B. Savina, Oksana O. Adler, Gulzhan Kashaganova, Saule Kumargazhanova, INŻYNIERYJNO-TECHNICZNA OCENA KONKURENCYJNOŚCI UKRAIŃSKICH PRZEDSIĘBIORSTW BUDOWY MASZYN NA PODSTAWIE ZASTOSOWANIA MODELI REGRESJI , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 3 (2023)
- Olexandra Litvinenko, Victor Paliy, Olena Vуsotska, Inna Vishtak, Saule Kumargazhanova, TOMOGRAFIA POLARYZACYJNA STRUKTURY POLIKRYSTALICZNEJ WYCINKÓW HISTOLOGICZNYCH NARZĄDÓW CZŁOWIEKA W OKREŚLANIU DAWNYCH USZKODZEŃ , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 12 Nr 4 (2022)
- Kateryna Barandych, Sergii Vysloukh, Grygoriy Tymchyk, Oleksandr Murashchenko, Saule Smailova, Saule Kumargazhanova, OPTYMALIZACJA PARAMETRÓW PROCESU CIĘCIA CZĘŚCI PRACUJĄCYCH W WARUNKACH OBCIĄŻEŃ CYKLICZNYCH , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 13 Nr 3 (2023)