WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 14 | 15 || 17 | 18 |

Средством задания пороговых функций являются линейные формы вида x1w1 +...+ xnwn -s. Вводится понятие сигнатуры пороговой функции f как набор знаков коэффициентов некоторой линейной формы, задающей f. Оказывается, что отношение равенства сигнатур разбивает множество существенных пороговых функций на 2n взаимно непересекающихся равномощных классов, одним из которых является класс монотонных пороговых функций.

В работе исследуется сложность преобразования одной пороговой функции, заданной линейной формой, к другой, путем последовательного изменения коэффициентов линейной формы. В качестве меры сложности принимается изменение коэффициента или свободного члена линейной формы на единицу. Для характеризации сложности обучения в худшем случае вводится шенноновская функция r n. Она ( ) говорит о том, сколько минимально достаточно выполнить единичных модификаций исходной линейной формы от n переменных для задания желаемой пороговой функции.

В работе показывается, что при стремлении n к бесконечности величина log r n ( ) растет по порядку как nlog n.

Для любой пороговой функции существует бесконечное множество задающих ее линейных форм. Линейные формы назовем эквивалентными, если они задают одну и ту же пороговую функцию. Множество всех существенных линейных форм с целочисленными коэффициентами и свободным членом, задающих пороговую функцию f, обозначим U f. Легко видеть, что множество U f замкнуто относительно ( ) ( ) операции сложения линейных форм. В работе доказано, что всякое множество U f ( ) содержит единственный базис относительно операции сложения линейных форм, который является счетным и разрешимым, а также описан алгоритм, который строит данный базис.

Литература:

1. Hastad J. - On the size of weights for threshold gates, SIAM Journal on Discrete Mathematics, 1994.

Модель вычислительной платформы для динамического анализа защищенного бинарного кода Соловьев Михаил Александрович Аспирант Московский государственный университет имени М. В. Ломоносова, факультет вычислительной математики и кибернетики, Москва, Россия E-mail: eyescream@ispras.ru В выполнении исследований программного обеспечения, оформленного в виде готового к работе бинарного кода, не сопровождаемого исходными текстами, заинтересованы многие организации, решающие задачи сертификации ПО и проблемы отладки своих разработок, а также их совместимости с другими программами и системами. Всем им требуется проводить анализ бинарного кода различных программ, как по отдельности, так и в комплексе со всей средой исполнения компьютера, иногда вплоть до самого низкоуровневого кода операционной системы. Целью таких исследований является получение информации об особенностях реализации алгоритмов, восстановление реализаций этих алгоритмов и их представление в понятном аналитику виде, восстановление протоколов обмена информацией и форматов данных, а так же поиск «недокументированных» возможностей, ошибок и уязвимостей.

Многие из применяемых для анализа алгоритмов базируются на обходе графа динамических зависимостей по данными исследуемой программы. Это относится, например, к алгоритмам слайсинга, восстановления состояния буферов памяти в определенной точке выполнения и генерации листинга. В большинстве случаев такие алгоритмы не требуют информации об анализируемой вычислительной платформе, выходящей за рамки описания зависимостей по данным между инструкциями. Таким образом, оказывается возможным предоставить спецификацию вычислительной платформы в достаточно сжатом виде, избавив сами алгоритмы анализа от необходимости учитывать специфику платформы.

Институтом системного программирования РАН разрабатывается инструмент для комплексного динамического анализа бинарного кода TrEx2, в рамках которого был реализован и опробован на практике описанный подход. Спецификации в предлагаемом виде были реализованы для вычислительных платформ Intel 64 под управлением WinNT и MIPS64 под управлением Cisco IOS. Принципиальное различие между указанными платформами указывает на применимость предлагаемого способа спецификации для широкого класса вычислительных платформ. Реализация разработанных спецификаций позволила для каждого из существующих в системе алгоритмов анализа ограничиться лишь одной, достаточно компактной, реализацией, в противовес необходимости отдельной версии для каждой из целевых платформ, что существенно ускорило и упростило разработку.

Литература 1. Weiser, M. (1981) Program slicing // Proceedings of the 5th International Conference on Software Engineering, p. 439-449. IEEE Computer Society Press, 1981.

2. Korel, B., Laski, J. (1988) Dynamic program slicing // Information Processing Letters, vol. 29, issue 3, p. 155-163.

3. Smith, R., Korel, B. (2000) Slicing event traces of large software systems // Automated and Algorithmic Debugging.

4. Cifuentes, C., Sendall, S. (1998) Specifying the semantics of machine instructions // 6th International Workshop on Program Comprehension, p. 126-133. IEEE Computer Society Press, 1998.

5. Тихонов А.Ю., Аветисян А.И., Падарян В.А. (2008) Извлечение алгоритма из бинарного кода на основе динамического анализа // Труды XVII общероссийской научно-технической конференции «Методы и технические средства обеспечения безопасности информации», с. 109. Санкт-Петербург, 2008.

Семантическая сегментация дорожного покрытия Судаков Сергей Владимирович Студент Московский государственный университет имени М.В.Ломоносова, 4факультет вычислительной математики и кибернетики, Москва, Россия E-mail: SVSudakov@gmail.com Для оценки состояния автомобильных дорог и планирования ремонтных работ сейчас широко используются системы видео-паспортизации дорог (СВПД). Подобные системы, например 1.a.i.1, представляют собой комплекс видеокамер и других датчиков, размещенных на автомобиле. Поскольку использование видео для обнаружения разметки и дефектов обладает рядом недостатков 1.a.i.2, в качестве исходных данных используются изображения-развертки дорожного покрытия, которые получаются с помощью перспективного преобразования плоскости, примененного к области дороги на каждом кадре видеопоследовательности. В [3] рассматривался метод автоматического обнаружения разметки и дефектов дорожного покрытия, который встраивается в систему СПВД. В данной работе представлены улучшения метода, заключающиеся во встраивании в систему фазы предобработки изображений и добавлении новые признаков.

Изображения, подающиеся на вход системе автоматического распознавания разметки и дефектов дорожного покрытия, сильно различаются по яркости и цвету, что существенно снижает качество распознавания. Поэтому была встроена фаза предобработки, на которой проводится коррекция яркости изображения модифицированным методом Retinex [4], коррекция цвета изображения и подавление шумов с помощью билатеральной фильтрации.

Также, для улучшения качества работы системы, были встроены новые признаки сегментов, такие как текстонные гистограммы [5]. С помощью этих признаков учитывается текстурная информация о сегменте, что дает прирост производительности распознавания. Текстонные признаки являются общепризнанными дескрипторами объектов для распознавания и используются практически во всех современных системах семантической сегментации. Также были добавлены разнообразные цветовые и геометрические статистики сегментов.

Проведенные исследования показали, что приведение входных данных к унифицированному виду с помощью фазы предобработки, а так же добавление новых признаков, учитывающих дополнительную информацию о сегментах дает увеличение эффективности работы системы распознавания классов.

Литература 1. НПО «Регион», http://www.nporegion.ru 2. С. Судаков, А. Семашко, О. Баринова, А. Конушин, В. Киншаков, А. Крылов (2008) “Алгоритмы детектирования разметки и дефектов дорожного покрытия” // Труды конференции GraphiCon'2008.

3. Сергей Судаков, Ольга Баринова, Александр Велижев, Антон Конушин (2008) Семантическая сегментация дорожного покрытия на основе каскада классификаторов // РОАИ’2008.

4. Land, E., McCann, J. “Lightness and retinex theory” // Journal of the Optical Society of America, vol. 61, issue 1, p.1.

5. M. Varma and A. Zisserman. (2005) “A statistical approach to texture classification from single images” // IJCV, 62(1–2):61–81.

Методы уменьшения количества временных узлов, создаваемых при исполнении запросов на языке XQuery Таранов Илья Сергеевич Аспирант Институт системного программирования РАН, Москва, Россия E–mail: epsilon@socio.msu.ru Язык XML является на сегодняшний день одним из самых популярных средств представления слабоструктурированных данных. Технология управления XML данными предусматривает, декларативный язык запросов XQuery. В настоящее время накоплено гораздо меньше опыта в оптимизации XQuery запросов, чем скажем в области оптимизации SQL-запросов. Конструирующие выражение языка XQuery являются важной, но в то же время очень ресурсоёмкой операцией. Семантика конструирующих выражений требует во многих случаях лишнего копирования вложенных узлов.

*** В ходе работы разработаны три метода оптимального вычисления конструирующих выражений. Приведены утверждения о применимости каждого из методов к некоторому классу XQuery выражений. В терминах одной из существующих XML-алгебр проведено доказательство каждого из утверждений. В рамках работы данные методы оптимизации реализованы для СУБД Sedna. Показано, что оптимизированные варианты конструкторов дают существенный прирост производительности при выполнении некоторых классов запросов.

Литература 1. M. Grinev, P. Pleshachkov (2005). Rewriting-based optimization for XQuery Transformational Queries. // Proceedings of IDEAS 2005.

2. Ghelli et al (2008): XML query optimization in the presence of side effects // SIGMOD 3. L. Novak, A. V. Zamulin (2006). An XML Algebra for XQuery. // Proceedings of ADBIS 2006.

4. R. Kaushik et al. (2002) Updates for structure indexes. // Proceedings of VLDB 2002.

5. Ioana Manolescu et al. Towards micro-benchmarking XQuery. // Experimental Evaluation of Data Management Systems 2006.

6. XQuery 1.0 and Xpath 2.0 Data Model. W3C Recommendation // http://www.w3.org/TR/xpath-datamodel/ Выделение лиц на изображениях в условиях искажающих факторов Тарасова Дарья Алексеевна, Шаров Андрей Николаевич Студент, студент Ярославский государственный университет имени П.Г. Демидова, физический факультет, Ярославль, Россия E–mail: dariya.tarasova@piclab.ru Система автоматического обнаружения лиц решает следующую задачу: по произвольному изображению на входе системы определить имеются ли на этом изображении лица, и если да, то указать, где находится каждое лицо и каков его размер.

Алгоритмы выделения лиц находят применение в системах технического зрения, компьютерной графике, робототехнике, системах видеонаблюдения и контроля доступа, в интерфейсах взаимодействия человек-компьютер. Основными требованиями, которые предъявляются к подобному классу алгоритмов, являются: высокое качество распознавания, работа в режиме реального времени, робастность по отношению к внешним факторам.

За последние несколько лет было предложено множество алгоритмов обнаружения лиц, использующих различные подходы. Наиболее эффективными из них считаются методы на основе обучения. В данной работе проводится исследование устойчивости некоторых из них к различным видам искажений. Проводится исследование трех современных алгоритмов, основанных на обучении классификаторов с помощью набора тренировочных изображений. Первый из описанных алгоритмов использует процедуру обучения, основанную на бустинге [1]; второй – обучающую сеть SNoW [2] (Sparse Network of Winnows); третий – обучение на базе машины опорных векторов (МОВ) [3].

Было Проведено сравнение описанных алгоритмов между собой.

Для проведения экспериментов была составлена база данных из 50 цветных изображений, разрешения 768576 пикселей, суммарно содержащая 213 лиц. При проведении тестирования использовались искажения следующих видов: гауссов шум, импульсный шум, размытие и сжатие JPEG. Эффективность работы алгоритмов оценивалась по уровню выделения (detection rate), который показывает процент обнаруженных лиц.

Алгоритм SNoW оказался наиболее чувствителен к шумам и сжатию. Это связано с тем, что данные искажения наиболее сильно влияют на SMQT признаки, используемые в данном алгоритме. Однако при размытии алгоритм показывает наилучшие результаты благодаря тому, что процедура квантования с порогом равным среднему значению в области изображения 33 пикселя, используемая для вычисления SMQT признаков, способствует частичному восстановлению информации о структуре этой области.

Наибольшую устойчивость к искажениям всех типов показал алгоритм, использующий для обучения процедуру бустинга. Он использует в своей работе простые прямоугольные признаки, значения которых мало изменяются при внесении данных искажений. Так для гауссова шума изменение значений признаков определяется разностью средних значений шума в двух прямоугольных областях.

Алгоритм на базе МОВ показал результаты схожие с алгоритмом на базе бустинга, однако при внесении шума уровень выделения убывает несколько быстрее.

Литература 1. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features // Proc. Int. Conf. on Computer Vision and Pattern Recognition, 2001. № 1. P. 511-518.

2. Nilsson M., Nordberg J., Claesson I. Face Detection Using Local SMQT Features and Split Up SNoW Classifier // Proceedings of IEEE Int. Conf. ICASSP, 2007. V. 2. P. 589592.

3. Kienzle W., Bakir G., Franz M., Schlkopf B. Face Detection – Efficient and Rank Deficient // Adv. in Neural Inf. Proc. Systems, 2005. V.17. P. 673-680.

Построение композитно-иерархических скрытых марковских моделей для анализа поведения Темлянцев Александр Валерьевич студент Московский Государственный Университет имени М.В. Ломоносова, факультет вычислительной математики и кибернетики, Москва, Россия e–mail: alexander.temlyantsev@gmail.com Успехи современной экспериментальной биологии и нейропсихологии обуславливают все возрастающую потребность в эффективных методах автоматического анализа поведения. Так, представляет интерес задача качественного определения реакции подопытного животного на те или иные стимулирующие воздействия [1], решаемая на сегодняшний день лишь с привлечением квалифицированных экспертов. Автоматизация процесса решения позволила бы придать исследованиям промышленные масштабы, существенно расширяя границы творческой свободы экспериментатора. Однако существующие методы анализа поведения в большинстве своем носят эвристический характер, не принимая во внимание глубинной структуры предметной области и, как следствие, обеспечивают недопустимо низкую точность распознавания.

Pages:     | 1 |   ...   | 14 | 15 || 17 | 18 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.