WWW.NAUKA.X-PDF.RU
БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Книги, издания, публикации
 

Pages:   || 2 | 3 | 4 |

«СОДЕРЖАНИЕ ВВЕДЕНИЕ ГЛАВА 1 АНАЛИТИЧЕСКИЙ ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ 1.1 Обучение с учителем. Искусственные нейронные сети. Метод опорных векторов 1.2 ...»

-- [ Страница 1 ] --

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 АНАЛИТИЧЕСКИЙ ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ

РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

1.1 Обучение с учителем. Искусственные нейронные сети. Метод опорных

векторов

1.2 Компактные целостные представления. Снижение размерности. Метод

главных компонент

1.3 Обнаружение локальных признаков. Сверточные нейронные сети........ 22



1.4 Использование пространственных отношений при распознавании.

Констелляционные модели

1.5 Методы оценки эффективности распознавания

1.6 Выводы по первой главе

ГЛАВА 2 РАЗРАБОТКА МОДЕЛИ РЕПРЕЗЕНТАЦИИ ОБЪЕКТА НА

ИЗОБРАЖЕНИИ

2.1 Математический аппарат модели

2.2 Структура локального эквивариантного детектора модели.................. 48 2.3 Трансформирующий автоэнкодер как элементарная единица иерархической модели

2.4 Обучение модели в потоке данных

2.5 Выводы по второй главе

ГЛАВА 3 РАЗРАБОТКА КОМПЛЕКСА АЛГОРИТМОВ ОБУЧЕНИЯ И

РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

3.1 Алгоритм выделения локальных признаков

3.2 Алгоритм оптического трекинга

3.3 Алгоритм обучения трансформирующего автоэнкодера

3.4 Алгоритм распознавания изображений

3.5 Выводы по третьей главе

ГЛАВА 4 РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ЭКСПЕРИМЕНТАЛЬНЫЕ

ДАННЫЕ

4.1 Планирование эксперимента

4.2 Оценка эффективности работы трансформирующего автоэнкодера.... 96

4.3 Оценка эффективности распознавания изображений

4.4 Локализация объектов в композитных сценах

4.5 Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ A. ДЕМОНСТРАЦИОННЫЕ МАТЕРИАЛЫ

ВВЕДЕНИЕ

Актуальность работы.

Распознавание визуальных образов представляет собой один из важнейших компонентов систем управления и обработки информации, автоматизированных систем и систем принятия решений. Задачи, связанные с классификацией и идентификацией предметов, явлений и сигналов, характеризующихся конечным набором некоторых свойств и признаков, возникают в таких отраслях как робототехника, информационный поиск, мониторинг и анализ визуальных данных, исследования искусственного интеллекта. Алгоритмическая обработка и классификация изображений применяются в системах безопасности, контроля и управления доступом, в системах видеонаблюдения, системах виртуальной реальности и информационных поисковых системах. В настоящий момент в производстве широко используются системы распознавания рукописного текста, автомобильных номеров, отпечатков пальцев или человеческих лиц, находящие применение в интерфейсах программных продуктов, системах безопасности и идентификации личности, а также в других прикладных целях.

Интенсивные исследования в этой области имеют многолетнюю историю и связаны с работами Д. Хьюбела и Т. Визела, [41–43], Т. Кохонена [51], М. Турка и А. Петланда [91], Д. Хинтона [39,54], Я. Лекуна [55,56] и других. За последнее время существенный прогресс в распознавании визуальных образов был достигнут с появлением методов снижения размерности [38], сверточных нейронных сетей [55,86] и констелляционных моделей [10]. Однако, несмотря на достигнутые успехи, современные исследования подтверждают тот факт, что алгоритмы распознавания изображений до сих пор не обладают полноценными способностями биологических зрительных систем, такими как способность функционировать на широком, не ограниченном сверху множестве классов распознавания, устойчивость к инвариантным преобразованиям и вариативности объектов в пределах категорий.

Так, актуальной проблемой, признанной научным сообществом, остается распознавание изображенных объектов под действием аффинных трансформаций, способных значительным образом изменить форму изображения, не влияя при этом на принадлежность объекта к категории распознавания. Попытки решения этой проблемы, фигурирующей в теории распознавания образов под названием проблемы инверсии, предпринимались в таких методах как SIFT [64] и ORB [81], а также многослойных сверточных сетях [56], однако в настоящий момент эти методы предлагают частичные решения, обеспечивающие устойчивость к ограниченному подмножеству преобразований. Актуальность данной проблемы особенно высока в отраслях, где распознавание образов применяется в естественной среде (видеонаблюдение, анализ данных камер мониторинга, робототехнические зрительные системы), где зрительный сенсор может иметь произвольный ограниченный угол обзора по отношению к искомому объекту.





Целью диссертационной работы является разработка метода распознавания визуальных образов, способного решать проблему инверсии для различных отраслей применения, распознавая трехмерные объекты окружающего мира с учетом их инвариантных преобразований.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработка модели репрезентации объекта с помощью иерархии признаков, устойчивых к инвариантным преобразованиям.

2. Разработка алгоритмической базы для представленной модели, включающей в себя алгоритм выделения признаков и алгоритм распознавания изображений. Реализация алгоритмического комплекса в виде программы для ЭВМ.

3. Оценка производительности разработанного метода и критериев достижения поставленной цели.

4. Оценка эффективности разработанного метода в сравнении с современными альтернативными методами распознавания.

Объектом исследования диссертационной работы являются системы компьютерного зрения, осуществляющие классификацию и идентификацию объектов на изображении.

Предметом исследования являются математические модели и алгоритмы распознавания изображений.

Методы исследования.

Для решения поставленных задач использовались методы компьютерного зрения, теории оптимизации, математической статистики, теории искусственных нейронных сетей, вероятностных моделей, теории планирования эксперимента.

Научная новизна диссертационной работы состоит в следующем:

1. Разработана математическая модель, способная инкапсулировать изображенные объекты с помощью иерархии локальных эквивариантных признаков, устойчивых к пространственным преобразованиям.

2. Разработан алгоритм обучения репрезентациям на базе модели эквивариантного представления объектов базе потока визуальных данных без участия экспериментатора.

3. Предложен алгоритм идентификации и классификации объектов, использующий модель эквивариантного представления объектов, обученную на потоковых данных.

разработанного метода заключается в Практическая значимость способности обрабатывать изображения объектов инвариантным образом, обеспечивая устойчивое распознавание в условиях различных углов зрения, а также различных видов визуального шума (размытие, окклюзия, частичное перекрытие).

Использование предложенного в данной работе метода позволяет добиться повышения эффективности систем компьютерного зрения и принятия решения за счет использования компактных иерархических представлений, требующих значительно меньшей вычислительной нагрузки по сравнению с альтернативными методами. Особенности представленной модели позволяют использовать ее как для решения узкоспефицичных задач, таких как распознавание лиц, с использованием предварительного обучения, так и для обобщенного анализа данных – для выявления закономерностей при видеонаблюдении и самообучения обнаруженным структурам.

Достоверность полученных результатов обеспечивается:

– проверкой теоретических положений с помощью экспериментального исследования;

– базированием на обоснованном научном аппарате глубокого обучения распознаванию изображений по репрезентациям;

– сравнительным анализом результатов работы предложенного алгоритма с альтернативными признанными алгоритмами, обоснованными теоретически и широко использующимися на практике;

– сопоставлением результатов эксперимента с данными других экспериментов, проведенными исследователями в сфере распознавания образов.

Соответствие паспорту специальности. Работа соответствует паспорту специальности ВАК 05.13.01 – Системный анализ, управление и обработка информации (информационные и технические системы), по пунктам 4, 5 и 10:

– Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации.

– Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации.

– Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах.

Основные положения, выносимые на защиту:

1. Математическая модель объекта на изображении, представляемого с помощью иерархии локальных эквивариантных признаков.

2. Алгоритм обучения модели на базе потока визуальных данных, позволяющий решать такие задачи компьютерного зрения, как генерация объектов, построение связей между объектами и обучение модели без участия экспериментатора с высокой робастностью к пространственным преобразованиям входных данных.

3. Алгоритм распознавания объектов, способный решать проблемы инверсии и вариативности за счет использования локально-связного ансамбля эквивариантных признаков.

Апробация работы.

Основные результаты работы докладывались на следующих конференциях:

III международная научно-практическая конференция «Новейшие исследования в современной науке: опыт, традиции, инновации» 2015 г., VIII международная научно-практическая конференция: «Современные концепции научных исследований» 2014 г., XI международная научно-практическая конференция «Научное обозрение физикоматематических и технических наук в XXI веке».

Публикации. По теме диссертации опубликовано 8 печатных работ, в том числе 5 в журналах, рекомендованных ВАК, получено 1 свидетельство о государственной регистрации программы для ЭВМ.

Личный вклад автора состоит в разработке модели представления данных, алгоритма обучения модели и алгоритма распознавания изображений, постановке эксперимента и анализе полученных результатов. Основные результаты по теме диссертации изложены в 8 печатных изданиях, 5 из которых изданы в журналах, рекомендованных ВАК, 3 — в тезисах докладов.

Объем и структура работы. Диссертация состоит из введения, четырех глав, заключения и двух приложений. Полный объем диссертации составляет 129 страниц с 27 рисунками и 7 таблицами. Список литературы содержит 106 наименований.

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР СОВРЕМЕННЫХ

МЕТОДОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

1.1 Обучение с учителем. Искусственные нейронные сети. Метод опорных векторов Один из основных подходов, наиболее широко использовавшийся в области распознавания изображений, представляет собой применение классических моделей-классификаторов, обучающихся с учителем. Для обучения таких моделей используются маркированная выборка данных, состоящая из массива изображений и соответствующего им массива меток, определяющих категорию, к которой относится изображение. В процессе обучения массив данных разделяется на две неравные части — обучающую выборку и тестовую выборку, затем с помощью специфичного для конкретного алгоритма правила обучения параметры модели настраиваются с использованием обучающей выборки таким образом, чтобы получив в качестве входных данных изображение, модель на выходе производила бы метку соответствующего класса. Этот подход представлен множеством моделей, среди которых наиболее широко используемыми является регрессионная модель, искусственная нейронная сеть (многослойный перцептрон), метод опорных векторов, а также деревья принятия решений и моделиансамбли, представляющие собой сочетания некоторых перечисленных моделей [82,5].

Многослойные перцептроны, обучающиеся методом обратного распространения ошибки, широко используются для распознавания различных категорий изображений, таких как рукописные цифры [16], почерк [3], человеческие лица [25] и данные зрительных сенсоров робототехнический систем [70]. Модель многослойного перцептрона представляет собой совокупность искусственных нейронов — вычислительной единицы модели — объединенных в уровни (слои), заданные в иерархическом порядке.

Искусственный нейрон представляет собой модель биологического нейрона (нервной клетки), представленную одним или несколькими входами, одним выходом и функцией активации [31]. Помимо этого, каждый вход искусственного

–  –  –

гиперболический тангенс tanh( ) = или выпрямляющая линейная функция 0, 0 ( )=.

1, 0 При объединении искусственных нейронов в сеть входные значения нейрона слоя представляют собой выходные значения нейронов предыдущего слоя 1.

При этом нейроны первого (входного) слоя получают в качестве входных значения непосредственно данные, подлежащие распознаванию, которые в случае распознавания изображения представляют собой значения интенсивности составляющих его пикселей (точечных элементов). Выходной слой сети может варьироваться в зависимости от задачи, но классическая архитектура подразумевает формирование его числом нейронов, равному количеству классов распознавания, при этом выходное значение каждого нейрона нормируется по интервалу {0,1}, и представляет собой вероятность принадлежности входного изображения к соответствующему классу. Как отмечают исследователи, такие многослойные нейронные сети способны инкапсулировать любую математическую функцию с помощью произвольного набора нейронов [55,18].

Поскольку сформулировать аналитически правило классификации изображений по категориями распознавания зачастую представляется затруднительным, способность обучаться на базе выборки делает нейронные сети и родственные им модели подходящими для распознавания естественных изображений окружающего мира, отличающихся нечеткой структурой и множеством вариаций в пределах класса.

Рисунок 1.1 – Схема искусственной нейронной сети с тремя слоями

–  –  –

= (1.1) = (( ) ( )) — среднеквадратичное отклонение сети. Далее на где каждом шаге обучения веса нейронов инкрементируются значениями частных производных в соответствии с методом градиентного спуска. Вариации обучающего алгоритма включают в себя исключительные дополнительных параметров регуляризации в целях защиты от переобучения, и использование различных оптимизаторов — метода Ньютона, метода имитации отжига, L-BFGS и других [2].

Многослойные перцептроны демонстрируют успешные результаты при использовании их для распознавания изображений некоторых отдельных ограниченных категорий, таких как символы естественного языка, рукописные цифры и почерк [55]. В настоящее время в большинстве приложений, использующих прямое обучение с учителем для распознавания изображений, нейронные сети вытеснены методом опорных векторов, предлагающим более эффективное с точки зрения объема вычислительных ресурсов решение.

Метод опорных векторов рассматривает каждый экземпляр данных (изображение) как точку в -мерном пространстве, где соответствует размерности данных или общему числу пикселей изображения. Каждая из точек принадлежит к некоторому классу (категории). При этом задача распознавания представляется в виде задачи по нахождению такой гиперплоскости в n-мерном пространстве, которая бы отделяла все точки, соответствующие изображениям данного класса, от остальных, не принадлежащих ему. Предполагая, что таких гиперплоскостей может существовать много, метод опорных векторов ставит целью отыскание плоскости, расстояние до которой от ближайшей точки максимально в пределах множества возможных вариантов — т.н. оптимальную разделяющую гиперплоскость и соответствующий ей оптимальный классификатор.

Входные данные, таким образом, имеют вид:

{(x, y ), (x, y ),.

.., (x, y )} (1.2) где — -тое изображение, а — -тый класс, представленный целым числом. Значения, представляющие собой -мерный вектор, нормализуются в пределах интервала {0,1}. Разделяющая плоскость задается параметром — перпендикуляром (нормальным вектором) от точки к плоскости, и описывается = 0. Таким образом, задача сводится к минимизации || ||. По уравнением теореме Куна – Таккера [33] гиперплоскость может быть представлена в качестве линейной комбинации векторов обучающей выборки:

= (1.3) где — некоторые множители Лагранжа. Нахождение значения таким образом позволяет получить линейные гиперплоскости, поэтому такой метод относится к разделу т.н. линейных опорных векторов. Классифицирующая функция ()= ((, ) + ), где при этом равна — вспомогательный параметр смещения. На практике случаи, где данные в задаче распознавания могут быть разделены линейно, достаточно редки. В таких случаях применяется метод использования ядер, предложенный Б. Босером, И. Гийон и В. Вапником, и заключающийся в том, что элементы обучающейся выборки вкладываются в пространство более высокой размерности с помощью специального отображения :. При этом отображение выбирается так, чтобы в пространстве выборка была разделима линейно. Ядром классификатора называется выражение (, ) = ( ( ), ( )), задающее отображение выборки в новое пространство, и его роль, как правило, может выполнять любая положительно определенная симметричная функция двух переменных. На практике встречаются следующие ядра: полиномиальное, радиальная базисная функция, гауссова базисная функция, сигмоида [33].

Обучения модели, использующей метод опорных векторов производится методами квадратичного программирования, такими как последовательная минимальная оптимизация [18].

Метод опорных векторов имеет некоторые преимущества и недостатки по отношению к использованию многослойных перцептронов:

1. Многослойный перцептрон представляет собой модель с множеством скрытых параметров, зависящих от числа нейронов сети. Параметризованная модель потенциально способна к инкапсуляции более сложных, высокоуровневых функций, но при этом требует больше времени и вычислительных ресурсов для обучения и настройки параметров. Метод опорных векторов использует векторы, отобранные из обучающей выборки, при этом количество параметров ограничено сверху размером выборки, а на практике может быть прорежено за счет использования инженерии признаков [33].

2. В отличие от обучения нейронной сети, которое осуществляется с помощью метода градиентного спуска (и его вариаций) и оценки ошибки сети, обучение модели опорных векторов включает в себя не только оценку ошибки, но и метрику сложности полученной гиперплоскости. Поиск оптимального значения нейронной сети уязвим к наличию локального минимума, способного остановить процесс градиентного спуска, при этом метод опорных векторов при корректном выборе метапараметров гарантирует нахождение глобального решения [58].

3. Обученная нейронная сеть требует минимальных вычислительных ресурсов для работы в режиме распознавания (предсказания категорий). Метод опорных векторов в некоторых случаях, когда число векторов велико по сравнению с размером выборки, строит предсказания существенно медленнее [33].

4. По сравнению с нелинейным (использующим ядра) методом опорных векторов, нейронная сеть демонстрирует расширенные способности к онлайнобучению, когда размер выборки не фиксирован и пополняется за счет поступления новых данных.

В большинстве современных приложений алгоритмов распознавания и машинного обучения в настоящий момент отдано предпочтение методу опорных векторов [6, 79] за счет сокращения времени обучения и устойчивости к локальному минимуму. Метод опорных векторов также широко используется для распознавания изображений, таких как человеческие лица, демонстрируя высокую точность распознавания (80-85% успешно распознанных изображений) [96–74] для выравненной выборки.

Особенность задачи распознавания изображений заключается в том, что данные, представляющие собой визуальные сигналы, демонстрируют крайне низкую информационную емкость — т.е., большая часть точек растрового изображения (например, соответствующие участкам однотонного или равномерно распределенного фона) не содержит информации, влияющей на распознавание [85].

При этом размерность изображений, использующихся в системах обработки информации, как правило, достаточно велика — современные средства мультимедиа, графические дисплеи и сенсоры обеспечивают массовое распространение изображений (фотографий, кадров видео, компьютерной графики) высокого разрешения, размерность которых измеряется миллионами точек. Для классических методов распознавания образов характерна прямая зависимость между размерностью (числом параметров) данных обучающей выборки и временем обучения, а также показателями сходимости при оптимизации модели. Наличие большого числа параметров, основная часть которых не содержит существенной для распознавания информации, негативно влияет на производительность модели, и помимо требования значительно более высоких вычислительных ресурсов ведет к появлению т.н. проблемы переобучения [3], когда функция распознавания, аппроксимированная моделью, удовлетворительно классифицирует обучающую выборку, но является при этом не генерализованой и демонстрирует низкую точность в тестовой выборке. Для решения этой проблемы используется подход поиска компактного представления изображения — выделения ограниченного числа генерализованных признаков, содержащих основную информацию, необходимую для распознавания.

1.2 Компактные целостные представления. Снижение размерности.Метод главных компонент

Одна из особенностей распознавания изображений по сравнению с другими приложениями теории распознавания образов заключается в том, что изображения в растровом виде ( в виде двумерной матрицы пикселей, каждый из которых имеет некоторое значения яркости или цвета), имеют высокую размерность — среднестатистическая фотография может быть представлена вектором длины 106.

Данные, представлены размерностью таких порядков, требуют исключительных вычислительных ресурсов, и практически не поддаются обработке на современных персональных компьютерах (ситуация, известная как «проклятие размерности»

[1]). При этом, однако, лишь небольшая часть этих параметров критична для задачи распознавания, что позволяет изображениям демонстрировать низкую чувствительность к случайному шуму и глобальным искажениям. Эта особенность успешно используется в алгоритмах сжатия с потерями — с помощью алгоритма JPEG изображение может быть сжато вплоть до до 10%, при этом изменения остаются незаметны для человеческого глаза. Учитывая эту особенность, становится возможным применение к естественным изображениям статистических методов снижения размерности, таких как метод главных компонент [47]. Суть метода состоит в том, чтобы представить входные данные в виде линейной суммы компонент с некоторыми коэффициентами.

-тое изображение. Найдем ковариационную матрицу = Пусть — ( ). Собственные векторы и собственные значения матрицы будут

–  –  –

человеком, они показали, что каждое из лиц выборки можно представить при помощи ограниченного (10) набора главных компонент.

Рисунок 1.2 – Примеры главных компонент алгоритма Eigenfaces [91] Для распознавания тестовые изображения проецировались на базис выбранных главных компонент, т.

е. представлялись в виде линейной суммы слагаемых. Затем на представленных таким образом данных тренировали модель, использующую обучение с учителем (многослойный перцептрон или SVM), и таким образом, задача сводилась к классической. Использование Eigenfaces позволяло эффективно распознавать лица при различном освещении и давало некоторую устойчивости к ориентации; однако, алгоритм плохо работал на лицах разного размера (вариации масштаба). Кроме того, алгоритм был рассчитан на то, что входные данные будут представлять собой лица, сориентированные соответствующим образом, не предлагая метода отыскания интересующего фрагмента лица среди изображения композитной сцены.

Помимо перечисленных, метод главных компонент имел и другие ограничения, которые способствовали появлению новых методов представления изображений. Б. Ольшозен в своей работе [76] показал, что алгоритм, названным им разреженным кодированием способен эффективнее представлять внутреннюю структуру изображения и объектов в нем, при этом демонстрируя некоторые свойства, впечатляюще схожие со свойствами клеток зрительной коры головного мозга (так называемых «простых клеток» зоны V1). Этот алгоритм, однако, в противоположность PCA, представлял данные в виде сверхполного базиса векторов, каждый из которых, таким образом, не являлся линейно независимым от

–  –  –

, = log(1 + ).

практике используются нормы и функция Существует несколько алгоритмов поиска разреженного кода для выборки изображений, таких как ортогональное согласованное преследование, регрессия наименьшего угла [58] и использование специфических нейронных сетей — разреженных автоэнкодеров. Преимущество этого метода по сравнению с методом главных компонент выражается в том, что компоненты, полученные при помощи второго способа, всегда представляют собой линейные преобразования входных данных, тогда как в случае разреженного кода (и некоторых других представления) компоненты могут быть нелинейными, инкапсулируя, таким образом, более сложные функции представления данных.

Другой широко использующийся класс алгоритмов, способный формировать целостные представления объектов — ограниченные машины Больцмана [2,35].

–  –  –

Ограниченная машина Больцмана представляет собой порождающую стохастическую нейронную сеть, которая обучается формированию некоторому вероятностному распределению своих входов. Они представляют собой модификацию классических машин Больцмана, которые, в свою очередь, являются вариациями сетей Хопфилда.

Связи между нейронами такой сети представляют собой двудольный граф (биграф), где одна часть соответствует входному слою сети, а вторая — скрытому слою. Каждый входной нейрон соединен со всеми скрытыми нейронами при помощи симметричных связей, при этом нейроны в пределах каждой части биграфа не имеют связей друг с другом (в отличие от классических, «неограниченных»

машин Больцмана, где такие связи возможны). Это ограничение позволяет эффективно обучать сеть, используя алгоритм сопоставления расходимости [35].

Стандартная модель ограниченной машины Больцмана (бинарная, или модель Бернулли) предполагает, что нейроны, как скрытого, так и входного слоя, принимают значения {0,1}. Пусть входной слой содержит нейронов (соответствующих числу пикселей в изображении), обучающая выборка состоит из изображений. Веса между нейронами сети представлены матрицей размера, где элементы матрицы соответствует значению, присвоенному ребру графа между нейроном скрытого слоя и нейроном входного слоя. Для каждого нейрона также заданы значения смещений (входной слой) и (скрытый слой).

Рассмотрим функцию энергии для некоторой пары векторов (v,h):

(, ) = (1.7) При условии достижения термального равновесия для модели, задающей такую функцию, выполняется свойство распределения Больцмана: вероятность некоторого состояния модели (, ) является функцией энергии этого состояния.

(,) (, ) = (1.8) (,) где — параметр нормализации, или сумма значений для всех и. Цель обучения модели заключается в минимизации возможных сочетаний функции энергии для фиксированного и выборки значений, соответствующих изображениям объектов одного класса. Таким образом, ограниченная машина Больцмана позволяет формировать компактные, высокоуровневые репрезентации объектов.

Существенным преимуществом представлений, формируемых с помощью разреженного кодирования и ограниченной машины Больцмана по сравнению с методом главных компонент является их нелинейность, позволяющая рассматривать методы наращивания таких репрезентативных моделей. Этот подход известен под названием глубокого обучения, и отмечен резким повышением точности распознавания во множестве сфер машинного обучения [15], в том числе в распознавании изображений. В его основе лежит предположение о том, что представления, которым обучаются репрезентативные модели, имеют иерархическую природу, и таким образом, существует возможность обучения каскада моделей, каждый из которых принимает в качестве входных данных представления, вырабатываемые вышестоящей моделью. Метод главных компонент, таким образом, не способен формировать глубокие иерархии представлений, поскольку любая, неограниченно большая комбинация линейных преобразований тождественна одному линейному преобразованию [3].

Для распознавания изображений успешно применялись глубокие модели, состоящие из ограниченных машин Больцмана — так называемые глубокие сети доверия [39]. Использование иерархических представлений позволяет такой модели обучаться сложным, масштабным объектам, обеспечивая дополнительные уровни устойчивости к инвариантным преобразованиям на каждом слое представления. Так, глубокая модель, обученная на базе человеческих лиц, способна распознавать значительно более существенные искажения, чем модель Eigenfaces, включающие в себя вращение объекта в пределах ограниченных углов.

Глубокие модели также могут строиться и на базе методов разреженного кодирования — одним из наиболее известных является глубокий автоэнкодер [38], обучаемые послойно, жадным образом. В целом глубокие модели обеспечивают более гибкие и богатые представления, подходящие для объектов со сложной структурой. Обратной стороной этого преимущества является усложненный процесс обучения, в отдельных случаях (для глубоких сетей доверия) требующий разработки отдельных алгоритмов, и в общем случае — потребляющий больше вычислительных ресурсов.

Компактные целостные представления позволяют избавиться от «проклятия размерности», преобразуя сложные в обработке, объемные изображения в компактный вид, обеспечивая при этом некоторую устойчивость к вариативности.

Методы, осуществляющие нелинейные преобразования, такие как разреженное кодирование, могут использоваться для получения многоуровневых представлений (см. рисунок 1.3б), используя глубокое обучения и свойство стационарности естественных изображений (тот факт, что статистические характеристики локальных участков изображений, как правило, распределены равномерно). При этом подход отыскания компактных целостных представлений демонстрирует высокие результаты для объектов, имеющих в целом схожую форму (как человеческие лица), но не способен справляться с объектами, имеющими значительные визуальные отличия (например, относить к одному классу автомобили различных моделей) [3].

Более того, поскольку распознаваемые объекты обычно имеют трехмерную природу, они способны существенным образом изменять форму под воздействием геометрических трансформаций (так, изображение лица в профиль не может быть представлено суммой компонентов, полученных декомпозицией изображения лица анфас). В силу условия целостности полученные представления уязвимы к проблеме неполных данных — ситуациям, когда часть объекта заграждена или неразличима из-за шума. Для получения компактных целостных представлений, таким образом, необходима строго подобранная выборка объектов, выровненных по общей ориентации (см. рисунок 1.2). Составление подобной выборки подразумевает участие экспериментатора и обработки исходных изображений человеком.

Эти особенности и ограничения метода снижения размерности привели к развитию альтернативного подхода к распознаванию, специфичного для сферы распознавания изображений и использующего обнаружение локальных признаков, представляющих собой устойчивые компоненты (части) изображенного объекта.

1.3 Обнаружение локальных признаков. Сверточные нейронные сети

Проблемы, возникшие в процессе использования моделей, формирующих целостные репрезентации, способствовали развитию новой группы алгоритмов, использующих локальные признаки изображений. Необходимость такого подхода была продиктована свойством стационарности естественных изображений — объекты, присутствующие на изображении, могли свободно перемещаться в пределах поля зрения, при этом желаемым результатом распознающего алгоритма оставалось соотнесение множества таких инвариантных репрезентаций объекта к одному классу.

Помимо прочего, использование локальных признаков при распознавании изображений было подкреплено свидетельствами из области нейробиологии. В классической работе Д. Хьюбела и Т. Визела [43], что визуальная кора головного мозга представляет собой сложный комплекс клеток, каждая из которых чувствительна только к ограниченному участку поля зрения. Такие участки, иначе называемые рецептивными полями, стыкуются вместе, обеспечивая перекрытие всего поля зрения. Соответствующие клетки при этом выполняют роль локальных фильтров входных данных, реагируя на присутствие в собственном рецептивном поле некоторых примитивных структур, таких как края и границы. Было обнаружено также существование так называемых «сложных клеток», имеющих более широкие рецептивные поля, и демонстрировавших инвариантность по отношению к точному расположению объекта в поле зрения.

С учетом того, что визуальная кора головного мозга представляет собой наиболее мощную и гибкую зрительную систему из существующих на данный момент, появление моделей [55,26,83], эмулирующих ее поведение, выглядело естественным шагом. Одной из наиболее успешных моделей, считающейся признанным лидером [54] в области распознавания изображений, является сверточная нейронная сеть.

Сверточные сети представляют собой вариацию архитектуры многослойного перцептрона, и включают в себя сверточные слои, слои подвыборки (субдискретизации), и полносвязные слои. Архитектура сверточной сети использует преимущества двумерной структуры входных данных – изображений с помощью метода локальной связности, ограничивая количество связей между нейронами скрытого сверточного слоя и входными данными. Конкретно, каждый нейрон скрытого слоя связан только с ограниченным локальным (не имеющим разрывов) участком изображения.

Рисунок 1.4 – Архитектура сверточной нейронной сети [55]

Помимо этого, нейронная сеть использует общие, или разделяемые веса, накладывая искусственное ограничение на алгоритм обучения обратным распространением ошибки, так, чтобы каждый нейрон скрытого слоя имел набор весов, общий с другими нейронами этого слоя. При прямом распространении такая сеть осуществляет математическую операцию свертки входного изображения набором фильтров, представляемых весами нейронов скрытого слоя [8].

Промежуточными результатами сети являются так называемые «карты признаков»

— двумерные матрицы, представляющие собой результат свертки отдельным фильтром.

Слой подвыборки, или субдискретизации, выполняет операцию группировки карт признаков, рассматривая регионы размера и агрегируя значения, полученные в результате свертки. Основное назначение субдискретизации — снизить вариативность данных, обеспечивая устойчивость к трансляциям локального признака в пределах отдельного региона. Таким образом, в условиях, когда один и тот же признак оказывается сдвинут на некоторое значение (, ) в пределах, не, превышающих, соответствующий нейрон, инкапсулирующий локальный субдискретизированный признак изображения, будет по-прежнему активен. Таким образом сеть обеспечивает инвариантность к пространственным искажениям. В качестве агрегирующей функции слоя субдискретизации обычно рассматривается функция вычисления среднего или максимального значения.

Таким образом, значения счет использования нескольких попеременных слоев свертки и субдискретизации сверточная сеть позволяет получать представления, независимые от конкретного расположения локального признака в изображении, и одинаковым образом реагировать на интересующие объекты (например, человеческие лица), присутствующие на любом участке фотографии.

Сверточные сети — один из наиболее успешных существующих на сегодняшний день алгоритмов распознавания изображений. Моделям, реализующим соответствующую архитектуру, принадлежат первые места в соревнованиях алгоритмов распознавания, таких как ImageNet: сверточные сети распознают рукописные цифры выборки MNIST с 0.23% ошибок [12], человеческие лица с 2.4% ошибок [68] (использовалась выборка размером в 5600 фотографий лиц более чем 10 человек); результат соревнования ImageNet для победителя 2014 года — сверточной сети GoogLeNet компании Google составляет 0.06656% ошибочных распознаваний [86], что представляет собой наилучший результат на текущий момент и сопоставимо с ошибкой, допускаемый человеком на выборке ImageNet.

Среди недостатков выделяют затруднения при обработке маленьких объектов, и неспособность справляться с искажениями, такими как размывающий фильтр или сильный шум (такие искажения присутствуют в окружающем мире, например, при взгляде через толстое стекло). При этом сверточные сети сравнительно легко справляются с проблемами высокоточного распознавания, которые вызывают затруднения у людей — например, распознавание отдельных моделей машин или пород собак, и прочие задачи, требующие выделения узкоспецифичных признаков.

Одной из основных особенностей сверточных сетей является тот факт, что такая модель не обладают информацией о том, как именно локализован изображенный искомый объект — его конкретном местонахождении и ориентации в пространстве. При этом в решении прикладных задач управления и обработки информации, знание параметров локализации является необходимым условием — в зависимости от расположения или позы объекта система обработки информации может классифицировать изображение различным образом в соответствии с возложенными на нее задачами. Кроме того, без знания параметров локализации, сверточная сеть уязвима к обобщенному классу проблем целостности, т.е. модель, обученная некоторым локальным признакам изображенного объекта, будет положительно классифицировать искусственные изображения, где соответствующие элементы расположены в хаотичном порядке — ошибка, которую с легкостью избегает человек [34].

Операция свертки обеспечивает инвариантность по отношению к трансляции локальных признаков (сдвигу по осям x и y). Архитектура сверточных сетей не предусматривает устойчивости к другим аффинным преобразованиям, таким как вращение, зеркальное отражение и масштабирование. Для решения этой проблемы, как правило, используются эвристические методы (выравнивание изображения по линии горизонта, использование пространственных пирамид и различных отраженных копий оригинала) [15]. Преобразования, не являющиеся аффинными по отношению к плоскому изображению, такие как вращение объекта в трехмерной плоскости, аналогичным образом не могут быть обработаны при помощи операции свертки. Для объектов, представленных в различных ориентациях, модели приходится обучаться разным, непересекающимся наборам признаков [57].

Сверточные нейронные сети и другие подходы, использующие локальные инвариантные признаки, в процессе распознавания периодически вынужденно обучаются признакам, максимизирующим инвариантность в рамках представленной выборки, но не обеспечивающими дискриминативное представления объекта в целом [49].

Альтернативные подходы к выделению локальных признаков включают в себя методы классического компьютерного зрения, не использующие обучающие модели. Эти методы осуществляют поиск на изображении характерных участков, отвечающих алгоритмически явно заданным условиям. Среди них выделяются:

1. Обнаружение краев/границ. Краем называется участок изображения, представляющий собой границу между двумя контрастными регионами, заметную человеческим глазом. Математически точки, составляющие такие участки, определяются как точки, где градиент изображения имеет локальный максимум.

Исследования как в области функционирования биологических зрительных систем, так и теории информации [42], показывают, что репрезентация объектов в поле зрения с помощью границ представляет собой эффективный с точки зрения минимизации энтропии способ хранения и обработки информации и может использоваться для компактной репрезентации изображения. Помимо этого, выделение границ позволяет снизить влияние некоторых факторов, не влияющих на распознавание, таких как освещение и тени. Выделение границ (с помощью фильтров Кэнни, Собеля, или свертки вейвлетами Габора) часто используется как предварительный этап обработки изображений в других алгоритмах распознавания, в том числе — сверточных сетях [9].

2. Обнаружение углов или «точек интереса». К этой группе относятся алгоритмы, выделяющие локальные участки изображения, максимально чувствительные к изменениям. Соответствующее условие формулируется (, ), то для следующим образом: если рассмотреть функцию скользящего окна любых комбинаций значений сдвига (, ) в двумерной плоскости изображения (, )= (, )[ ( +, + найдем такие x и y, которые максимизируют, ) (, )], где — интенсивность изображения в пределах, заданных функцией окна. Традиционно данная группа алгоритмов (включающая в себя детектор Харриса, детектор Ши-Томаси и другие) использовалась для отыскания углов между прямыми линиями, но в настоящий момент рассматриваются также любые точки с высоким значением кривизны [6,32].

3. Обнаружение участков неоднородности. Под участками неоднородности, в отличие от углов, понимаются некоторые непрерывные регионы изображения, которые отличаются по значениям цвета или интенсивности от окружающего фона, и при этом схожи между собой. Как правило, такие участки соответствуют локальным экстремумам изображения [8].

Перечисленные локальные признаки широко используются в задачах визуального трекинга и слежения за объектом, но в чистом виде непригодны для задачи распознавания в силу своей недискриминативной природы — такие методы не предоставляет возможности отличить один угол (или участок неоднородности) от другого и выразить различие или сходство в числовом эквиваленте. Этим требованиям, однако, удовлетворяют подходы, использующие идею отыскания точек интереса с использованием локальных дескрипторов, и представленные такими алгоритмами как SIFT, SURF и ORB [64,81].

Дескриптор представляет собой композицию участков изображения, локализованных совместно, где для каждого участка или блока рассчитываются параметры ориентации, масштаба, и некоторые другие, позволяющие вероятностно идентифицировать место расположения признака, соответствующего данному дескриптору. С учетом использования в дескрипторах параметров ориентации и масштаба, такие признаки оказываются инвариантными по отношению к вращению изображения, изменению масштаба и яркости/контраста. Такие алгоритмы как SIFT и ORB, кроме того, обеспечивают возможность сопоставления изображений, соотнося одинаковые локальные признаки друг с другом.

Рисунок 1.5 – Объекты, представленные локальными признаками SIFT, демонстрируют высокую устойчивость к пространственным преобразованиям, и окклюзии [64] Признаки, использующие локальные дескрипторы, могут эффективно использоваться для распознавания изображений одного и того же объекта под воздействием аффинных преобразований в трехмерном пространстве.

Локальность признаков дает возможность справляться с проблемой окклюзии (см. рисунок 1.5), обеспечивая возможность сопоставлять объекты по частям. Основные проблемы методов семейства SIFT — слабая устойчивость к вариативности, не позволяющая алгоритму относить к одному классу объекты, визуально отличающиеся формой или текстурой [64].

Методы выделения локальных признаков позволяют справляться с некоторыми классами проблем распознавания изображений, обеспечивая устойчивость к окклюзии, снижая вычислительную нагрузку при обработке изображений высокой размерности и позволяя формировать инвариантные признаки для обнаружения объектов под действием инвариантных преобразований.

При этом неспособность производить локализацию объектов на изображении и уязвимость к хаотическому расположению локальных признаков привела к появлению методов, учитывающих пространственные отношения между локальным признаками при распознавании.

1.4 Использование пространственных отношений при распознавании. Констелляционные модели Констелляционная модель (или модель-созвездие) — это вероятностная порождающая модель для классификации и распознавания объектов в области компьютерного зрения. Констелляционная модель, как и другие модели представления визуальных образов, формирует представление объекта в виде множества N компонентов изображения, выбранных с учетом определенных геометрических закономерностей. При этом констелляционная модель учитывает взаимное расположение компонентов в отличие от других моделей, использующих локальные признаки, которые в общем случае намеренно игнорируют информацию о расположении признаков изображения в пространстве.

Конечной целью построения порождающей модели для распознавания объектов является устойчивое выделение участков изображения, принадлежащих определенному объекту. На уровне распознавания сложных, многокомпонентных сцен эта задача носит название «cегментации сцены» [31,24].

Пусть дана модель некоторого класса объектов, состоящего из частей и соответствующих им параметров. Чтобы определить, относится ли новое тестовое изображение к заданному классу ( = 1), необходимо извлечь локальных признаков, характеризующихся параметрами локации, масштаба и ориентации. Тогда модель ищет такое правило сопоставления признаков и параметров, чтобы выполнялось следующие условия:

,, ( ) ( |,,) = (1.9),, ( |,,) ( ) (,, | )= (,,, | ) = ( |,,, ) ( |,, ) ( |, ) (| ) где h и H соответствуют выбранной гипотезе и пространству гипотез (признаков организации объектов в классы) соответственно.

Т.е., вероятность определения параметров локализации признаков представляет собой произведение независимых величин ориентации, формы, масштаба и прочих факторов, влияющих на внешний вид объекта.

Обучение констелляционной модели производится с учетом того, что учитель либо отсутствует, либо оказывает ограниченное влияние на формирование параметров модели — так, перед обучением заранее неизвестно ни правило соотнесения составных частей модели с параметрами локализации, ни форма этих составных частей. Входные данные представляют собой только выборку изображений, промаркированных пометками «объект» и «фон».

Целью обучения является подбор таких параметров, которые бы максимизировали вероятность отношения изображения к выбранному классу объектов с учетом его пространственных параметров, или (,, | ). Обучение проходит с использованием алгоритма максимизации ожиданий и состоит из следующих этапов:

1. Значение инициализируется случайным образом.

2. Вычисляется ожидаемое значение логарифмической функции ( (,, | )).

правдоподобия

3. Выбирается такое, которое позволяет максимизировать соответствующее значение функции.

4. Этапы 2–3 повторяются до тех пор, пока не будет достигнута локальная сходимость.

Обученная констелляционная модель способна опознавать отдельные части объекта и прогнозировать вероятность того, что изображение принадлежит к искомому классу (см. рисунок 1.6):

Рисунок 1.6 – Справа внизу: примеры изображений для обучения составных частей модели.

Справа вверху: визуализация параметров. Слева: примеры успешно распознанных изображений [10] Исследования полноты и точности распознавания при помощи констелляционной модели показывают, что такая модель способна эффективно справляться с большими выборками (до 101 класса), включающими в себя категории человеческих лиц, мотоциклов, самолетов, пятнистых кошек [21] и другие. Для каждого из таких классов констелляционная модель составляет репрезентацию объекта с использованием формы и пространственного расположения его составных частей, соответствующих «существенным» атрибутам класса. Так, например, изображение мотоцикла или человеческого лица соответствует плотной констелляцинной модели, поскольку такие объекты имеют строгую, явно заданную структуру, в то время как объекты класса «пятнистые кошки» могут выглядеть существенно различным образом изза способности принимать различные позы, но выделяются характерным узором текстуры.

Подобная гибкость помогает модели успешно обрабатывать как «жесткие», фиксированные объекты, так и аморфные, изменчивые.

Отдельно следует заметить, что констелляционная модель в общем случае не обеспечивает чувствительности к ориентации, если соответствующие изображения не включены в выборку [101]. Так, модель, обученная на изображениях самолетов, ориентированных горизонтально, даст отрицательный результат при рассмотрении вертикально ориентированного самолета. Существуют модификации констелляционной модели, включающие в себя явно заданное условие использования признаков, инвариантных к вращению [21].



Pages:   || 2 | 3 | 4 |
 
Похожие работы:

«О здоровье народа и системе здравоохранения Кодекс Республики Казахстан от 18 сентября 2009 года № 193-IV оглавление Примечание РЦПИ! Порядок введения в действие Кодекса РК см. ст.186 ОБЩАЯ ЧАСТЬ РАЗДЕЛ 1. ОБЩИЕ ПОЛОЖЕНИЯ Глава 1. ОСНОВНЫЕ ПОЛОЖЕНИЯ Статья 1. Основные понятия, используемые в настоящем Кодексе 1. В настоящем Кодексе используются следующие основные понятия:1) среда обитания человека (далее среда обитания) совокупность природных, антропогенных и социальных факторов, среды...»

«Е.А. Барышева Добро пожаловать, или Посторонним вход воспрещен? (К проблеме сохранения памятников первобытного искусства) После наскальной живописи ничего великого в изобразительном искусстве создано уже не было. Хуан Миро В последние годы в России, по примеру зарубежных стран, все большее внимание уделяется развитию культурного туризма. И государство, и региональные власти, и местные администрации (особенно в экономически неблагополучных регионах) надеются с помощью доходов от этого вида...»

«Фонд поддержки творческих инициатив студентов ПОСВЯЩАЕТСЯ 150-ЛЕТИЮ К. Э. ЦИОЛКОВСКОГО, СО ДНЯ РОЖДЕНИЯ 100-ЛЕТИЮ С. П. КОРОЛЁВА СО ДНЯ РОЖДЕНИЯ 50-ЛЕТИЮ ЗЕМЛИ И ЗАПУСКА ПЕРВОГО В МИРЕ ИСКУССТВЕННОГО СПУТНИКА ЧЕРЕЗ ТЕРНИИ К ЗВЕЗДАМ ПОД Ю.Ю. КОМАРОВА В.П. МАХРОВА РЕДАКЦИЕЙ ПРОФ. И ПРОФ. Москва УДК 629.735.33 Через тернии к звездам / Под ред. проф. Ю. Ю. Комарова и проф. В. П. Махрова. – М.: Изд-во МАИ, 2007. – 520 с. В сборнике содержатся статьи научно-исследовательских, проектноконструкторских...»

«РОЛЬ И МЕСТО МИВАРНЫХ ТЕХНОЛОГИЙ В ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ О.О. Варламов Проблема создания интеллектуальных систем и логического искусственного интеллекта (ИИ) приобретает все большее значение в современном мире. Две наиболее фундаментальные проблемы, которые занимают разработчиков ИИ – это представление знаний и поиск. Под представлением знаний понимается проблема создания формального языка, позволяющего описывать весь спектр имеющихся в реальном мире знаний, а также проведения манипуляций с...»

«Будаговский Виктор Леонидович СОЦИАЛЬНО-КУЛЬТУРНЫЕ УСЛОВИЯ ВОЕННОПАТРИОТИЧЕСКОГО ВОСПИТАНИЯ УЧАЩЕЙСЯ МОЛОДЕЖИ В ДЕЯТЕЛЬНОСТИ ОБЩЕСТВЕННЫХ ОБЪЕДИНЕНИЙ ПОИСКОВОЙ НАПРАВЛЕННОСТИ 13.00.05 – ТЕОРИЯ, МЕТОДИКА И ОРГАНИЗАЦИЯ СОЦИАЛЬНОКУЛЬТУРНОЙ ДЕЯТЕЛЬНОСТИ ДИССЕР ТАЦИЯ на соискание ученой степени кандидата педагогических на...»

«Людмила Дмитриевна Рыбакова Татьяна Ивановна Маршкова Большой театр. Золотые голоса http://www.litres.ru/pages/biblio_book/?art=6371166 Большой театр. Золотые голоса: Алгоритм; Москва; 2011 ISBN 978-5-6994-7640-4 Аннотация Большой театр всегда был и остается символом Москвы, России, русской культуры. Наша национальная реликвия, овеянная славой и духом великих, в любые времена он жил большими артистами, дирижерами, режиссерами, художниками, всецело отдающими себя творчеству, сохраняющими и...»

«ОТЧЕТ О РЕЗУЛЬТАТАХ САМООБСЛЕДОВАНИЯ МУНИЦИПАЛЬНОГО БЮДЖЕТНОГО ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ ДОПОЛНИТЕЛЬНОГО ОБРАЗОВАНИЯ ДЕТЕЙ ГОРОДА КУРГАНА « ДЕТСКАЯ ШКОЛА ИСКУССТВ № 1» ЗА ПЕРИОД С 01.04.14 – 01.04.15 Г. Самообследование муниципального бюджетного образовательного учреждения дополнительного образования детей «Детская школа искусств №1» (далее – ДШИ №1) проводилось в соответствии с пунктом 3 части 2 статьи 29 федерального закона от 29 декабря 2012 г. № 273-ФЗ «Об образовании в Российской...»

«Муниципальное бюджетное учреждение дополнительного образования «Детская школа искусств № 2» муниципального образования города Братска Основная задача нашей школы это становление и развитие личности ребёнка, создание условий для педагогического творчества, внедрение новых педагогических технологий, поиск, поддержка и развитие детской творческой одарённости! Самообследование образовательного учреждения проводится согласно утвержденного приказа Министерства образования и науки Российской Федерации...»

«ISSN 1997-4558 ПЕДАГОГИКА ИСКУССТВА http://www.art-education.ru/AE-magazine № 1, 2015 ИГРА НА КЛАВИШНОМ СИНТЕЗАТОРЕ В СТАРШЕМ ДОШКОЛЬНОМ ВОЗРАСТЕ PLAY ELECTRONIC KEYBOARD IN PRE-SCHOOL AGE КРАСИЛЬНИКОВИГОРЬМИХАЙЛОВИЧ KRASILNIKOV IGOR MIKHAYLOVICH БОЯКОВАЕКАТЕРИНАВЯЧЕСЛАВОВНА BOYAKOVA EKATERINA VYACHESLAVOVNA 1 доктор педагогических наук, ведущий научный сотрудник Федерального государственного бюджетного научного учреждения «Институт художественного образования Российской академии образования»...»

«Водный кодекс Российской Федерации от 3 июня 2006 г. N 74-ФЗ Принят Государственной Думой 12 апреля 2006 года Одобрен Советом Федерации 26 мая 2006 года ГАРАНТ: Настоящий Кодекс вводится в действие с 1 января 2007 г. См. комментарии к Водному кодексу РФ Глава 1. Общие положения Статья 1. Основные понятия, используемые в настоящем Кодексе В целях настоящего Кодекса используются следующие основные понятия: 1) акватория водное пространство в пределах естественных, искусственных или условных...»

«Приложение к научному журналу «Вестник СПбГУКИ» МОЛОДЕЖНЫЙ ВЕСТНИК Санкт-Петербургского государственного университета культуры и искусств Сборник статей аспирантов, магистрантов, студентов № 1 (2) • 2013 Санкт-Петербург Издательство СПбГУКИ МОЛОДЕЖНЫЙ ВЕСТНИК Санкт-Петербургского государственного университета культуры и искусств Сборник статей аспирантов, магистрантов, студентов № 1 (2) • 2013 Приложение к научному журналу «Вестник СПбГУКИ» Приложение издается ежегодно с 2012 г. УЧРЕДИТЕЛЬ...»

«КРИТИКА ЛИТЕРАТУРА ЭПОХИ НЕЗАВИСИМОСТИ Сеит Каскабасов Директор Института литературы и искусства им. М.О.Ауэзова, академик Национальной академии наук РК В сентябре отметил пятидесятилетний юбилей Институт литературы и искусства им. М.О.Ауэзова С обретением Независимости создались благоприятные условия для объективного и углубленного изучения многих закрытых в советское время проблем истории, литературы и искусства, для восполнения пробелов в гуманитарных и социальных науках, для восстановления...»

«1. Цели и задачи освоения дисциплины Целью освоения дисциплины «Менеджмент и маркетинг в сфере искусства» является формирование базовых знаний о закономерностях организационного развития и особенностях управления организациями в сфере искусства.Задачами курса являются: 1. Приобретение студентами знаний о научных концепциях менеджмента и маркетинга.2. Понимание сущности менеджмента в новой управленческой парадигме. 3. Освоение современных методик управления в сфере искусства. 4. Формирование...»

«Международный электронный журнал.УСТОЙЧИВОЕ РАЗВИТИЕ: НАУКА И ПРАКТИКА SUSTAINABLE DEVELOPMENT: SCIENCE AND PRACTICE специальный выпуск Светлой памяти выдающегося русского ученого Побиска Георгиевича Кузнецова ПОСВЯЩАЕТСЯ Содержание выпуска 1. Слово об учителе Страницы биографии П.Г.Кузнецова..5 2. Кузнецов П.Г. Искусственный интеллект и разум человеческой популяции.1 3. Большаков Б.Е., Кузнецов О.Л. П.Г.Кузнецов и проблема устойчивого развития Человечества.50 4. Никаноров С.П. Концептуальные...»

«Н.Н. Ткаченко Традиционное искусство: прошлое, будущее, настоящее «Народ не только сила, создающая все материальные ценности, он – единственный и неиссякаемый источник ценностей духовных, первый по времени, красоте и гениальности творчества философ и поэт, создавший все великие поэмы, все трагедии земли и величайшую из них – историю всемирной культуры». М. Горький Понятие «традиция» восходит к латинскому traditio, к глаголу tradere, означающему «передавать». Первоначально это слово...»

«Международный Фестиваль Культуры и Искусства Гуманитарные науки «Роль вещной детали в произведениях художественной литературы» Степанова Марина Юрьевна Руководитель работы: Пидерова Алла Ивановна, учитель русского языка и литературы ГБОУ СОШ с. Среднее Аверкино м.р. Похвистневский Самарской области 2015 г. Содержание Введение Краткий экскурс в историографию вопроса о художественной 1. детали: понятие о вещной детали, классификация вещной детали в работах исследователей Есина А.Б., ЧудаковаА.П.,...»

«РОССИЙСКАЯ ФЕДЕРАЦИЯ ДЕПАРТАМЕНТ КУЛЬТУРЫ БРЯНСКОЙ ОБЛАСТИ Государственное бюджетное образовательное учреждение среднего профессионального образования «БРЯНСКИЙ ОБЛАСТНОЙ КОЛЛЕДЖ ИСКУССТВ И КУЛЬТУРЫ» ул. Киевская, д.20, г. Брянск, 241029 Тел. 63-88-04, факс 63-88-06, Е-mail:bokik@bk.ru ОКПО 05190241, ОГРН 1023201289308, ИНН/ КПП 3235002298/323701001 Аналитическая справка деятельности ГБОУ СПО «Брянский областной колледж искусств и культуры» (I полугодие 2014-2015 учебный год) Брянск...»

«ОТЧЕТ О БОУ СПО ВО «Череповецкое училище искусств и САМООБСЛЕДОВАНИИ страница 2 из 54 художественных ремесел им. В.В. Верещагина» 2014 год СОДЕРЖАНИЕ ВВЕДЕНИЕ 1 АНАЛИТИЧЕСКАЯ ЧАСТЬ 1.1 Система управления училища 1.2 Образовательная деятельность 1.3 Содержание и качество подготовки обучающихся 1.4 Организация учебного процесса 1.5 Востребованность выпускников 1.6 Качество кадрового обеспечения 1.7 Качество учебно-методического обеспечения 1.8 Качество библиотечно-информационного обеспечения 1.9...»

«Содержание и организация методической работы с учителями изобразительного искусства в 2015/2016 учебном году М. Н. Голубова, методист высшей категории управления учебно-методической работы Государственного учреждения образования «Академия последипломного образования» Изменение условий культурно-цивилизационных и образовательных процессов свидетельствует о том, что культурная среда способна существенно влиять на процессы в обществе, формировать устойчивые мировоззренческие позиции, ценностные...»

«ISSN 1997-4558 ПЕДАГОГИКА ИСКУССТВА № 1, 2015 http://www.art-education.ru/AE-magazine РОЖДЕНИЕ НОВОЙ ХУДОЖЕСТВЕННОЙ КАРТИНЫ МИРА В ТВОРЧЕСТВЕ КОМПОЗИТОРОВ ХХ ВЕКА THE BIRTH OF A NEW ART PICTURE OF THE WORLD IN THE WORKS OF COMPOSERS OF THE TWENTIETH CENTURY ЩЕРБАКОВА АННА ИОСИФОВНА SHCHERBAKOVA ANNA IOSIFOVNA доктор педагогических наук, доктор культурологии, профессор, декан факультета искусств и социокультурной деятельности, заведующая кафедрой социологии и философии культуры Российского...»







 
2016 www.nauka.x-pdf.ru - «Бесплатная электронная библиотека - Книги, издания, публикации»

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.