Применение кластеризации данных для решения задачи группировки графических образов. Построение схемы последовательной кластеризации сложной графической информации. Обзор вопроса выбора меры различия, учитывающей степень визуального сходства изображений.
При низкой оригинальности работы "Формирование интеллектуальных критериев в задачах кластеризации сложной графической информации", Вы можете повысить уникальность этой работы до 80-100%
ФОРМИРОВАНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ КРИТЕРИЕВ В ЗАДАЧАХ КЛАСТЕРИЗАЦИИ СЛОЖНОЙ ГРАФИЧЕСКОЙ ИНФОРМАЦИИ
М.И. БояркинНа примере схемы последовательной кластеризации сложной графической информации рассматривается вопрос выбора меры различия, учитывающей степень визуального сходства изображений. Рассматриваемая в данной статье модифицированная модель кластеризации графических данных, учитывающая специфику обрабатываемых, в данном случае, изображений лиц людей, позволяет группировать изображения по признаку их визуального сходства [1]. Специфика данных упомянута неслучайно, так как структура данных и принцип их поступления в систему (как и в прочих случаях практического использования моделей кластеризации) накладывают существенные ограничения на выбор алгоритмических схем кластеризации. Наиболее сложным и интересным для рассмотрения является случай реализации работы данной модели в режиме «реального времени», т.е. данные поступают в модель последовательно и постоянно, и в каждый момент времени должна существовать готовая структура сгруппированных графических образов, уже имеющихся на данный момент в системе. В таких случаях в основном используется мера различия между образом и «представителем» кластера C (в рассматриваемой модели представителем кластера является некоторая группа образов, называемая «ядром» кластера [1]).
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
