?
Event Recognition Based on Classification of Generated Image Captions
Ch. 33. P. 418–430.
Савченко А. В., Miasnikov E.
Ключевые слова: ensemble classifiersансамблевые методы28.23.15 Распознавание образов. Обработка изображенийDeep Convolutional Neural Networksсверточные нейронные сетиPattern recognition and classificationImage captioningEvent recognitionраспознавание событий
ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА:
В статье рассмотрена задача обучения распознаванию эмоций по фотографиям. Был осуществлен обзор и анализ отечественных и зарубежных работ ученых, занимающихся проблемой эмоционального интеллекта. Рассмотрены его формирование, влияние на деятельность человека и существующие варианты его структуры, а также выделены общие черты в понимании эмоционального интеллекта. Эмоциональный интеллект понимается как система умственных способностей, позволяющая идентифицировать, управлять своими ...
Добавлено: 9 апреля 2026 г.
Мальцева С. В., Бериков В. Б., Кладов Д. Е. и др., В кн.: Информатика и прикладная математика: Материалы X Международной научно-практической конференции (08.10 - 11.10.2025 г.)Т. 1: Сборник материалов часть 1.: Алматы: Институт информационных и вычислительных технологий КН МНВО РК, 2025. С. 227–232.
В работе рассматривается задача кластеризации паттернов потребления для частного домохозяйства. Для кластеризации суточных профилей нагрузки разработан и применен ансамблевый алгоритм на основе метрики Вассерштейна. Предложенный подход позволяет выделить типичные сценарии энергопотребления, интерпретировать поведение потребителя. Приводятся результаты вычислительных экспериментов на реальных данных. ...
Добавлено: 3 марта 2026 г.
Пикуль А. С., В кн.: Альманах научных работ молодых ученых университета ИТМО. Материалы Пятьдесят третьей (LIII) научной и учебно-методической конференции Том 1.: СПб.: Университет ИТМО, 2024. С. 338–342.
Предложен новый подход для улучшения распознавания атак презентации на биометрическую систему распознавания лиц с помощью сверточной сети с механизмом внимания. Проверена центральная гипотеза, которая заключалась в том, что с помощью механизма внимания возможно улучшить результаты работы исходной сверточной нейронной сети. В ходе экспериментов гипотеза была подтверждена. Наибольший прирост по качеству был достигнут на наборе данных ...
Добавлено: 13 декабря 2025 г.
Пикуль А. С., Лепендин А. А., Труды молодых ученых Алтайского государственного университета 2023 № 20 С. 190–193
Представлен новый подход для выявления атак презентации на системы распознавания по лицу. Он основан на использовании механизма графового внимания, применяемого к промежуточным картам характеристик изображений лица, вычисленным сверточной сетью ResNet18. Показано, что предложенный подход позволил добиться высокого качества распознавания поддельных изображений при лицевой биометрической верификации, сравнимого с имеющимися в настоящее время альтернативными решениями. ...
Добавлено: 12 декабря 2025 г.
Пикуль А. С., Безопасность информационных технологий 2024 Т. 31 № 4 С. 116–127
Исследуется возможность применения современных архитектур компьютерного зрения для задачи обнаружения дипфейков. Рассматриваются следующие архитектуры: EfficientNet, Vision Transformer (ViT), VisionLSTM (ViL), VisionKAN и Mamba Vision. Новизна подхода заключается в применении и сравнении работы данных архитектур, а также в их объединении в парные ансамбли для повышения точности детекции дипфейков. В работе проведен эксперимент, основанный на применении нескольких ...
Добавлено: 12 декабря 2025 г.
Morozov D., Garipov T., Ляшевская О. Н. и др., Journal of Language and Education 2024 Vol. 10 No. 4 P. 71–84
Introduction: Numerous algorithms have been proposed for the task of automatic morpheme segmentation of Russian words. Due to the differences in task formulation and datasets utilized, comparing the quality of these algorithms is challenging. It is unclear whether the errors in the models are due to the ineffectiveness of algorithms themselves or to errors and inconsistencies ...
Добавлено: 7 января 2025 г.
Деркачева А. А., Frost G., Ermokhina K. и др., , in: 2023 International Conference on Machine Intelligence for GeoAnalytics and Remote Sensing (MIGARS).: IEEE, 2023. P. 1–4.
Добавлено: 22 марта 2023 г.
Савченко А. В., , in: 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).: IEEE, 2022. P. 2358–2365.
Добавлено: 29 августа 2022 г.
Depth estimation has been an essential task for many computer vision applications, especially in autonomous driving, where safety is paramount. Depth can be estimated not only with traditional supervised learning but also via a self-supervised approach that relies on camera motion and does not require ground truth depth maps. Recently, major improvements have been introduced ...
Добавлено: 1 февраля 2022 г.
Krinitskiy M., Alexandrova M., Вереземская П. С. и др., Remote Sensing 2021 Vol. 13 No. 2 Article 326
Добавлено: 24 сентября 2021 г.
Dmitrii Maslov, Макаров И. А., , in: Advances in Computational Intelligence: 16th International Work-Conference on Artificial Neural Networks, IWANN 2021, Virtual Event, June 16–18, 2021, Proceedings, Part I* 1. Vol. 12861.: Springer, 2021. Ch. 38 P. 456–467.
In this paper, we study depth reconstruction via RGB-based, Sparse-Depth, and RGBd approaches. We showed that combination of RGB and Sparse Depth approach in RGBd scenario provides the best results. We also proved that the models performance can be further tuned via proper selection of architecture blocks and number of depth points guiding RGB-to-depth reconstruction. ...
Добавлено: 1 сентября 2021 г.
Kudriavtseva P., Kashkinov M., Kertész-Farkas A., Journal of Proteome Research 2021 Vol. 20 No. 10 P. 4708–4717
Spectrum annotation is a challenging task due to the presence of unexpected peptide fragmentation ions as well as the inaccuracy of the detectors of the spectrometers. We present a deep convolutional neural network, called Slider, which learns an optimal feature extraction in its kernels for scoring mass spectrometry (MS)/MS spectra to increase the number of ...
Добавлено: 30 августа 2021 г.
Добавлено: 19 августа 2021 г.
Макаров И. А., Nikolay Veldyaykin, Maxim Chertkov и др., , in: Proceedings of the 12th ACM International Conference on PErvasive Technologies Related to Assistive Environments (PETRA '19).: NY: ACM, 2019. P. 204–210.
Добавлено: 10 июля 2021 г.