Algorithms of Two-Dimensional Projection of Digital Images in Eigensubspace: History of Development, Implementation and Application


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Algorithms for projection of digital images into their eigensubspaces in the framework of linear methods PCA, LDA, PLS and CCA are considered. The history of these methods development of over the past 100 years is given against the backdrop of the emergence of new areas of their application and changing requirements in relation to them. It is shown that this development was initiated by four basic requirements stemming from modern tasks and practice of digital image processing and, first of all, face images (FI). The first requirement is the use of PCA, LDA, PLS and CCA methods in conditions of both a small and extremely large samples of ILs in the initial sets. The second requirement is related to the criterion that determines its eigenbasis, and which should provide, for example, the minimum error of FI approximation, the improvement of clustering in its eigensubspace or the maximum correlation (covariance) between data sets in the subspace. The third one is related to the possibility of applying the methods under consideration to the tasks of processing two or more sets of images from different sensors or several sets of any number matrices. These three requirements led to the emergence, development and application of methods of two-dimensional projection into their eigensubspaces–2DPCA, 2DLDA, 2DPLS and 2DCCA. Several basic branches of algorithmic implementation of these methods are considered (iterative, not iterative, based on SVD, etc.), their advantages and disadvantages are evaluated, and examples of their use in practice are also shown. Finally, the fourth requirement is the possibility of realizing two-dimensional projections of FI (or other numerical matrices) directly in the layers of convolutional neural networks (CNN/Deep NN) and/or integrating their functions into NN by separate blocks. The requirement and examples of its solution are discussed. Estimates of computational complexity for the presented algorithms and examples of solving specific problems of image processing are given.

Об авторах

G. Kukharev

Saint Petersburg Electrotechnical University

Email: stil_hope@mail.ru
Россия, St. Petersburg, 197376

N. Shchegoleva

Saint Petersburg Electrotechnical University

Автор, ответственный за переписку.
Email: stil_hope@mail.ru
Россия, St. Petersburg, 197376

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Pleiades Publishing, Ltd., 2018

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».