• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Найдены 124 публикации
Сортировка:
по названию
по году
Книга
Под науч. редакцией: W. van der Aalst, V. Batagelj, M. Khachay et al. Vol. 1086. Springer, 2020.
Добавлено: 16 ноября 2019
Статья
Sokolova A., Savchenko A. Optical Memory and Neural Networks (Information Optics). 2020. Vol. 29. No. 1. P. 19-29.

В работе рассмотрена задача повышения вычислительной эффективности распознавания лиц на статических изображениях и видео, описываемых векторами признаков высокой размерности, которые извлекаются с использованием сверточных нейронных сетей. Для обработки видеопоследовательностей применены способы агрегации признаков, полученных для каждого видео кадра. Предложен новый иерархический алгоритм распознавания, который отличается от известных подходов тем, что для последовательного анализа более детализированного уровня описания (с большей размерностью вектора признаков) ищет ближайших соседей только среди эталонных изображений наиболее надежных классов, выделенных на предыдущем уровне. При этом на каждом этапе сопоставляются главные компоненты, число которых выбирается, исходя из фиксированной доли объясненной дисперсии. Проведено сравнение разработанного алгоритма с известными аналогами для наборов данных Labeled Faces in the Wild, YouTubeFaces, IAPRA Jenus Benchmark C и различных нейросетевых дескрипторов лиц. Показано, что предложенный подход позволяет уменьшить время работы классификатора в 2-16 раз по сравнению с традиционным методом ближайшего соседа.

Добавлено: 25 октября 2019
Глава
Savchenko A., Miasnikov E. V. In bk.: Advances in Intelligent Data Analysis XVIII. Vol. 12080. Cham: Springer, 2020. Ch. 33. P. 418-430.
Добавлено: 17 мая 2020
Статья
Savchenko V. V., Savchenko A. Measurement Techniques. 2020. Vol. 62. No. 12. P. 1071-1078.

Поставлена задача автоматизированного контроля качества аудиозаписей, содержащих голосовые образцы физических лиц. Показано, что при решении данной задачи наиболее острой является проблема малых выборок наблюдений. С целью ее преодоления в статье предложен новый, быстродействующий метод акустических измерений, основанный на принципе относительной стабильности частоты основного тона речевого сигнала в пределах голосового образца небольшой длительности. Рассмотрен пример его практической реализации по схеме с межпериодным накоплением сигнала. С использованием авторского программного обеспечения поставлен и проведен натурный эксперимент, получены статистические оценки эффективности метода в условиях действия шума. Показано, что при его применении с вероятностью 0,95 и более аудиозапись отбраковывают как непригодную для биометрической идентификации личности при отношении сигнал-помеха ниже 15 дБ. Полученные результаты предназначены для использования при разработке новых и модернизации существующих систем и технологий сбора и автоматизированного контроля качества биометрических персональных данных.

Добавлено: 22 апреля 2020
Глава
Savchenko A., Savchenko L., Savchenko V. In bk.: Mathematical Optimization Theory and Operations Research, 19th International Conference, MOTOR 2020, Novosibirsk, Russia, July 6–10, 2020, (Т. 12095). Cham: Springer, 2020. Ch. 30. P. 440-454.
Добавлено: 2 сентября 2020
Статья
Savchenko A. IEEE Transactions on Neural Networks and Learning Systems. 2020. Vol. 31. No. 2. P. 651-660.
Добавлено: 1 ноября 2019
Статья
Харчевникова А. С., Савченко А. В. Компьютерная оптика. 2020. Т. 44. № 4. С. 618-626.

В работе рассматривается задача извлечения предпочтений пользователя по его фотоальбому. Предложен новый подход на основе автоматического порождения текстовых описаний фотографий и последующей классификации таких описаний. Проведен анализ известных методов создания аннотаций по изображению на основе свёрточных и рекуррентных (Long short-term memory) нейронных сетей. С использованием набора данных Google’s Conceptual Captions обучены новые модели, в которых объединяются характерные признаки фотографии и выходы блока рекуррентной нейронной сети. Исследовано применение алго- ритмов обработки текстов для преобразования полученных аннотаций в пользовательские предпочтения. Проведены экспериментальные исследования с помощью наборов данных Microsoft COCO Captions, Flickr8k и специально собранного набора данных, отражающего интересы пользователя. Показано, что наилучшее качество определения предпочтений достигается с помощью методов поиска ключевых слов и суммаризации текстов из Watson API, которые оказываются на 8 % точнее по сравнению с традиционным латентным размещением Дирихле. При этом описания, порожденные с помощью обученных моделей, классифицируются на 1 – 7 % точнее известных аналогов.

Добавлено: 16 сентября 2020
Статья
Дёмочкин К. В., Савченко А. В. Записки научных семинаров ПОМИ РАН. 2020. С. 1-16.

В статье рассмотрены несколько эффективных методов многозначной классификации набора изображений. Предложен двухэтапный алгоритм, в котором на первом этапе выполняется дообучение сверточной нейронной сети для ее использования в качестве способа извлечения признаков. На втором этапе полученные векторы признаков каждого изображения из входного набора объединяются в один вектор с использованием модификации основанного на механизме внимания нейро-агрегационного модуля. Проведено экспериментальное исследование в задаче классификации интересов пользователя на основе фотографий приобретенных им продуктов на основе набора данных Amazon Product Home and Kitchen. Показано, что один из самых высоких показателей F1-меры (0,87 для 15 рекомендаций) достигается для однослойного блока внимания со сжатием вектора признаков. Подчеркивается, что размер полученной модели (включая нейронную сеть MobileNet, использующуюся для извлечения визуальных признаков) составляет всего 16 Мб.

Добавлено: 25 октября 2019
Статья
Savchenko A., Savchenko V. V. Measurement Techniques. 2019. Vol. 62. No. 3. P. 282-288.

Разработан новый метод измерения частоты основного тона повышенной помехоустойчивости. Проблема защиты от интенсивного фонового шума решена в нем путем частотной селекции вокализованных отрезков речевого сигнала по схеме c гребенчатым фильтром межпериодного накопления. Эффективность метода исследована теоретически и экспериментально с использованием разработанного многоканального частотного измерителя для акустического анализа речи. Показано, что при отношении сигнал-шум 10 дБ и выше погрешность метода в относительном выражении не превышает 2%.

Добавлено: 16 августа 2019
Глава
Kopeykina Lyudmila, Savchenko A. In bk.: 2019 International Russian Automation Conference (RusAutoCon). IEEE, 2019. P. 1-6.
Добавлено: 21 октября 2019
Статья
Grachev A., Ignatov D. I., Savchenko A. Applied Soft Computing Journal. 2019. Vol. 79. P. 354-362.
Добавлено: 12 июня 2019
Статья
Savchenko A., Savchenko V. V. Radioelectronics and Communications Systems. 2019. Vol. 62. No. 5. P. 223-231.

Исследован широкий класс параметрических оценок спектральной плотности мощности, основанных на принципе максимума энтропии и авторегрессионной модели наблюдений, при этом выделен их ключевой параметр – порядок используемой модели. Рассмотрена проблема априорной неопределенности, когда истинное значение порядка наблюдателю заранее не известно. С целью преодоления недостатков известных алгоритмов в условиях малых выборок наблюдений предложен новый критерий автоматического определения порядка по выборке конечного объема. В основу предложенного критерия положен принцип гарантированного уровня значимости в задаче проверки сложных статистических гипотез. В отличие от критериев AIC, BIC и других он не связан с определением погрешности измерений, поскольку оперирует исключительно понятием "уровень значимости" формируемого решения. Исследование эффективности предложенного критерия проведено одновременно по двум направлениям: теоретическом и экспериментальном. Рассмотрен пример его применения в задаче спектрального анализа речевых сигналов. Даны рекомендации по его практическому использованию в системах цифровой обработки сигналов.

Добавлено: 16 августа 2019
Статья
Savchenko A. PeerJ Computer Science. 2019. Vol. 5:e197. P. 1-26.
Добавлено: 12 июня 2019
Глава
Sokolova A., Savchenko A. In bk.: Analysis of Images, Social Networks and Texts. 8th International Conference, AIST 2019, Lecture Notes in Computer Science, Revised Selected Papers. Vol. 11832. Cham: Springer, 2019. Ch. 7. P. 73-80.
Добавлено: 31 октября 2019
Статья
Savchenko L.V., Savchenko A.V. Journal of Communications Technology and Electronics. 2019. Vol. 64. No. 3. P. 238-244.
Добавлено: 7 июня 2019
Глава
Demochkin K., Savchenko A. In bk.: Analysis of Images, Social Networks and Texts. 8th International Conference, AIST 2019, Lecture Notes in Computer Science, Revised Selected Papers. Vol. 11832. Cham: Springer, 2019. Ch. 26. P. 291-297.
Добавлено: 22 декабря 2019
Глава
Savchenko A., Rassadin A. G. In bk.: Advances in Neural Networks – ISNN 2019 16th International Symposium on Neural Networks, ISNN 2019, Moscow, Russia, July 10–12, 2019, Proceedings, Part II. Cham: Springer, 2019. Ch. 41. P. 422-430.
Добавлено: 16 августа 2019
Статья
Savchenko A. Information Sciences. 2019. Vol. 489. P. 18-36.
Добавлено: 20 марта 2019
Глава
Grechikhin I., Andrey V. Savchenko. In bk.: Pattern Recognition and Image Analysis. Prt. 2. Springer, 2019. P. 429-440.
Добавлено: 23 сентября 2019
Статья
Demochkin K. V., Savchenko A. Journal of Physics: Conference Series. 2019. Vol. 1368. No. 032016. P. 1-7.
Добавлено: 29 ноября 2019