РАЗРАБОТКА ИНФОРМАЦИОННОГО КРИТЕРИЯ ЭФФЕКТИВНОСТИ МЕТРИЧЕСКИХ КЛАССИФИКАТОРОВ И ИССЛЕДОВАНИЕ СХЕМ КОМПЛЕКСИРОВАНИЯ ДАННЫХ ДЛЯ МНОГОКЛАССОВОГО РАСПОЗНАВАНИЯ ОБРАЗОВ ПО АНСАМБЛЮ ИЗОБРАЖЕНИЙ

Проект ориентирован на решение трех основных задач: исследование схем комплексирования на ансамбле источников для повышения точности классификации данных; исследование теоретико-информационной модели классификации для получения нижней границы вероятности ошибки; исследование модели сегментации изображений на основе информационного критерия качества. В рамках задачи комплексирования источников предложена обобщенная мера различия составных объектов от ансамбля источников и схема GDM (General Dissimilarity Measure) построения коллективных решений о классах составных объектов. В сравнении с традиционной схемой WMV (Weighted Majority Vote) на основе взвешенного голосования решений по объектам отдельных источников, схема GDM продемонстрировала выигрыш в точности принимаемых решений на ансамбле декоррелированных компонент цветных RGB изображений и на ансамбле HSI изображений лиц. В рамках теоретико-информационной модели классификации построена нижняя граница наименьшей средней взаимной информации между множеством классифицируемых объектов и множеством решений о классах этих объектов как функция заданной допустимой средней вероятности ошибки. Обращение предложенной границы дает нижнюю границу средней вероятности ошибки классификации при фиксированных значениях средней взаимной информации. Разработана методика оценивания эффективности разделяющих функций в терминах избыточности средней вероятности ошибки относительно нижней границы. Показана возможность уменьшения избыточности путем композиции «слабых» наборов разделяющих функций. Разработанный подход допускает развитие для оценивания избыточности вероятности ошибки алгоритмов, реализуемых на решающих деревьях и нейронных сетях. В рамках исследований по проблеме сегментации изображений разработана теоретико-информационная модель на основе критерия информационной избыточности сегментированного изображения относительно исходного изображения. Предложенная модель апробирована на изображениях из базы Berkeley Segmentation Dataset и продемонстрировала качество сегментации, сопоставимое с эталонами.