Analysis of Image Clusterization Methods for Oceanographical Equipment

Shishkin, Iurii E.; Grekov, A.N.

doi:10.1109/rusautocon.2018.8501756

Cited by 6 publications

(1 citation statement)

References 26 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Таким образом обратная функция F:Z→p k (q) ∀ k ∈ X будет представлять собой формальное описание модели логистической регрессии, однозначно определяющей вероятность принадлежности образа q, описываемого набором параметров Z, каждому из рассматриваемых классов X k ∀ k ∈ X. Пример машинного обучения модели на основе принципа максимума правдоподобия. Существуют решения, позволяющие осуществлять выделение контуров объектов на изображениях [10]. Рассмотрим эффективность применения статистического подхода к кластеризации изображений гидробионтов на примере конкретного снимка с размеченными границами объектов (рис.…”

unclassified

Statistical methods for hydrobiont images clustering

Shishkin¹,

Grekov²

2020

MSoE

View full text Add to dashboard Cite

В работе выполнен анализ эффективности применения статистического подхода к решению задачи кластеризации изображений гидробионтов с использованием модели логистической регрессии для малого числа классов. На примере реальных изображений планктона продемонстрирован процесс построения статистической модели, преобразования изображений отдельных организмов в наборы признаков факторного пространства и построения в нем разделяющих гиперплоскостей. Получена оценка вероятности возникновения ошибок первого и второго рода при осуществлении бинарной кластеризации изображений с использованием разделяющей гиперплоскости. Ключевые слова: статистическая кластеризация, EM-алгоритм, интеллектуальный анализ данных, машинное обучение, гидробионты, выявление аномалий, логистическая регрессия.

show abstract

unclassified