 |
С.А. Гладилин, Д.П. Николаев, Д.В. Полевой, Н.А. Соколова "Исследование возможности повышения точности распознавания нейронной сети при фиксированном числе активных нейронов" |
 |
Аннотация. В статье исследуется возможность повышения точности нейросетевого классификатора в системе реального времени без ухудшения временных характеристик за счет замены нейронной сети составным классификатором, являющимся двухуровневым деревом. Такая схема позволяет при том же времени классификации увеличить общее число нейронов, задействованных в классификаторе, повышая тем самым его выразительную силу. Экспериментальное исследование предложенного метода производится на примере задачи распознавания символов, тисненых на пластиковых картах. Ключевые слова: обучение машин, статистические методы распознавания, распознавание символов, многослойные нейронные сети, признаковые пространства, распознавание в реальном времени. Стр. 96-105. Полная версия статьи в формате pdf. REFERENCES 1. Masoudnia, S., Ebrahimpour, R., “Mixture of experts: a literature survey”, Artificial Intelligence Review, (2012).
2. Wozniak, M., Grana, M., & Corchado, E. “A survey of multiple classifier systems as hybrid systems”, Information Fusion, 16(13), 3–17 (2014).
3. Dietterich, T. G., “Ensemble Methods in Machine Learning”, Multiple Classifier Systems SE - 1 (Vol. 1857, pp. 1–15), (2000).
4. Giacinto, G., & Roli, F., “Dynamic Classifier Selection”, Proceedings of the First International Workshop on Multiple Classifier Systems (pp. 177–189). London, UK, UK: Springer-Verlag, (2000).
5. Ko, A. H. R., Sabourin, R., & Britto, Jr., A. S., “From dynamic classifier selection to dynamic ensemble selection”, Pattern Recognition, 41(5), 1718–1731, (2008).
6. Steinhaus H. “Sur la division des corps materiels en parties”, Bull. Acad. Polon. Sci., C1. III vol. IV: 801—804, (1956).
7. Jain, A. K., & Lansing, E., “Data Clustering”, 50 Years Beyond K-Means Michigan State University, (2009).
|
