О ПОКАЗАТЕЛЯХ РАБОТОСПОСОБНОСТИ МЕТОДОВ РАСПОЗНАВАНИЯ ПРИ УСЛОВИИ ПРИБЛИЖЕННОЙ РАЗМЕТКИ ТЕСТОВЫХ ДАННЫХ
Для оценивания и сравнения эффективности применения методов распознавания объектов при решении конкретной задачи применяются различные показатели работоспособности. При оценивании показателей работоспособности данных методов на основании анализа реальных тестовых данных разметка оператором пикселей, принадлежащих объекту, во многих случаях может быть выполнена достаточно приближенно. В работе предложены оценки показателей Accuracy, Precision, Recall, F1-мера работоспособности методов распознавания (классификации) при условии приближенной разметки тестовых данных (изображений). В работе также предложено в качестве показателя работоспособности методов распознавания так называемое нормированное среднеквадратическое расстояние между множеством ложно-выделенных пикселей и множеством пикселей объекта, которое в отличие от других показателей позволяет оценить распределение на изображении ложно-выделенных пикселей относительно пикселей объектов, что имеет важное значение при оценивании и сравнении эффективности различных методов распознавания. В работе приведены примеры вычисления значений предложенных показателей.
Болгова Е.В., Черноморец А.А., Буханцов А.Д., Фуников А.Д. О показателях работоспособности методов распознавания при условии приближенной разметки тестовых данных // Научный результат. Информационные технологии. – Т.10, №4, 2025. – С. 3-13. DOI: 10.18413/2518-1092-2025-10-4-0-1
Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.
1. Михайличенко А.А. Аналитический обзор методов оценки качества алгоритмов классификации в задачах машинного обучения // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2022. №4 (311). – С. 52-59.
2. Лимановская О.В., Алферьева Т.И. Основы машинного обучения: Учеб. пособие. – Екатеринбург: Изд-во Урал. ун-та, 2020. – 88 с.
3. Левчук С.А., Якименко А.А. Исследование характеристик алгоритмов распознавания лиц // Сборник научных трудов НГТУ. – 2018. – № 3–4 (93). – С. 40–58.
4. Лазарев Д.А., Фуников А.Д., Болгова Е.В., Черноморец А.А., Фефелов О.С. Об алгоритмах сегментации цифровых изображений автомобильных дорог // Экономика. Информатика. 2025. Т. 52. № 1. С. 215-226.
5. Прикладная математическая статистика: Учеб. Пособие. / Составитель А.А. Мицель. – Томск: Томский государственный университет систем управления и радиоэлектроники, 2019. – 113 с.
6. Serra J. Image Analysis and Mathematical Morphology. – 1982. – 610 p.
7. Serra J. Image Analysis and Mathematical Morphology. Vol. 2: Theoretical Advances. – 1988. – 411 p.
8. Гонсалес Р. Цифровая обработка изображений. Издание 3-е, исправленное и дополненное / Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2012. – 1104 с.
9. Лебедев Л.И., Васин Ю.Г. Двухкритериальный алгоритм распознавания объектов графических изображений на базе КЭКМ // Юбилейная 25-а Международная конференция (GraphiCon2015), Россия, Протвино (Парк Дракино), 22–25 сентября 2015 г. 25th Anniversary International Conference (GraphiCon2015), Russia, Protvino (Park Drakino), September 22–25, 2015. – С. 112-114.
10. Хмелев Р.В. Совместное использование структурного анализа и метрики Хаусдорфа при сравнении объекта и эталона // Компьютерная оптика, 2005, № 27 – С. 174-176.
11. Хаусдорф Ф. Теория множеств. – М.-Л.: Объединенное научно-техническое изд-во НКТП СССР, 1937. – 305 с.
12. Сухарев А.Г., Тимохов А.В., Федоров В.В. Курс методов оптимизации: Учеб. пособие. – 2-е изд. – М.: Физматлит, 2011. – 384 с.