Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2017. Сборник материалов XIII международной научно-технической конференции

?

Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2017. Сборник материалов XIII международной научно-технической конференции

Курск : Юго-Западный университет, 2017.

Сборник содержит материалы XIII Международной конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск, 16-19 мая 2017 г.), целью которой является ознакомление с имеющимися достижениями по созданию оптико-электронных приборов, систем и внедрению информационных технологий в научные исследования, учебный процесс и промышленность, а также координация по эффективному их применению в системах распознавания образов, обработки изображений, символьной информации. Сборник предназначен для научных сотрудников, преподавателей, аспирантов и студентов вузов. Издание осуществлено с авторских оригиналов. Редакция не несет ответственности за ошибки авторов. Материалы для публикации одобрены программным комитетом Международной научно-технической конференции.

О МЕТОДАХ ОЦЕНКИ КАЧЕСТВА МЕТОДОВ РАСПОЗНАВАНИЯ ГРАФИЧЕСКИХ ОБРАЗОВ

Гостев И. М., В кн.: Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2017. Сборник материалов XIII международной научно-технической конференции.: Курск: Юго-Западный университет, 2017. Гл. 44 С. 127–129.

Рассмотрены методы оценки качества методов распознава- ния графических образов. ...

Добавлено: 9 ноября 2017 г.

Научное направление: Компьютерные науки

Приоритетные направления: компьютерно-математическое

Язык: русский

Текст на другом сайте

Ключевые слова: pattern recognition 28.23.15 Распознавание образов. Обработка изображений

Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2017. Сборник материалов XIII международной научно-технической конференции

Инкрементальный метод обновления многомерного куба по неупорядоченному потоку событий журналов информационных систем

Зыков С. В., Уфимцев Г. А., Моделирование, оптимизация и информационные технологии 2026 Т. 14 № 8 С. 1–13

Информационные системы формируют большие объёмы событийных журналов, которые используются для анализа работы приложений и сервисов. При этом события могут поступать в аналитический контур позже момента их фактического возникновения и не в исходном порядке. Такая рассинхронизация приводит к ошибкам при построении агрегированных временных показателей, а регулярный полный пересчёт многомерного аналитического куба требует значительных вычислительных затрат. Целью ...

Добавлено: 2 октября 2026 г.

Polarization of opinions in the group: a modeling algorithm considering the dynamics of social bonds

Chebotarev V., Andreyuk D., Elizarova Anastasiya и др., Procedia Computer Science 2022 Vol. 213 No. C P. 596–601

Добавлено: 2 октября 2026 г.

Enhancing Boundary Stability in Decision Trees and Random Forests: A Weighted Sample Duplication Approach

Konstantinov A., Elizarova Anastasiya P., Utkin L., Computing, Telecommunications and Control 2026 Vol. 19 No. 1 P. 16–25

Деревья решений и их ансамблевые расширения, такие как случайные леса, широко используются в качестве моделей классификации благодаря своей простоте и интерпретируемости. Однако во многих реальных задачах, где метки классов перекрываются в пространстве признаков, стандартные деревья решений полагаются на жесткие разбиения, которые создают слабые границы принятия решений. В этих областях небольшие возмущения входных значений могут привести ...

Добавлено: 2 октября 2026 г.

Bayesian Adaptive Sparse Copula

Prokhorov A., Burda M., Journal of Computational and Graphical Statistics 2026 P. 1–13

Добавлено: 2 октября 2026 г.

Pericyte-derived cancer-associated fibroblasts correlate with poor survival and are enriched after chemoradiotherapy in glioblastoma

Aly Ismailov, Попцова М. С., Plos One 2026 Vol. 21 No. 9 Article e0355902

Добавлено: 2 октября 2026 г.

Консервативные энтропийно и энергетически корректные разностные методы для одномерных квазигазодинамических систем уравнений

Злотник А. А., Математические заметки 2026 Т. 120 № 6 С. 1005–1009

Численным методам решения систем газодинамических уравнений посвящена обширная литература. Ранее было разработано и успешно апробировано специальное семейство симметричных по пространству консервативных разностных методов, основанных на предварительной кинетической, точнее, квазигазодинамической (КГД), регуляризации этих уравнений. Актуальной задачей является построение численных методов, которые обладают не только свойством консервативности по массе, импульсу и полной энергии, но и удовлетворяют условиям энтропийной ...

Добавлено: 1 октября 2026 г.

Proceedings of the Thirty-Fifth International Joint Conference on Artificial Intelligence (IJCAI 2026)

International Joint Conferences on Artificial Intelligence, 2026.

Добавлено: 1 октября 2026 г.

Ensemble-based Prototype-Augmented Multimodal Fusion for Ambivalence/Hesitancy Recognition

Рюмина Е. В., Аксёнов А. А., Сысоев Д. С. и др., IEEE Computer Society, 2026.

Добавлено: 30 сентября 2026 г.

Decoding Algorithms for Binary U-UV Codes: A Unified Survey of Performance and Complexity

Иванов Ф. И., Котов Ф. И., IEEE Access 2026 Vol. 14 P. 104662–104679

Добавлено: 30 сентября 2026 г.

The EG-TD3 Machine Learning Architecture: Evolutionary-Guided Twin Delayed Deep Deterministic Policy Gradient

Джамбонг Тенке Х., Institute for System Programming of the RAS, 2026.

Добавлено: 29 сентября 2026 г.

Нижние множества и свойства замкнутости классов функций подсчета

Иванашев Я. М., Доклады Российской академии наук. Математика, информатика, процессы управления (ранее - Доклады Академии Наук. Математика) 2026 Т. 529 С. 93–101

Язык L является нижним для релятивизируемого сложностного класса C, если CL=C. Для классов #P, GapP и SpanP известны точные нижние классы языков: Low(#P) = UP ∩ coUP, Low(GapP) = SPP и Low(SpanP) = NP ∩ coNP. В этой статье мы доказываем, что Low(TotP) = P, и приводим характеризации нижних классов функций для #P, GapP, TotP ...