ИСТИНА |
Войти в систему Регистрация |
|
ИСТИНА ПсковГУ |
||
Для успешного решения задач извлечения информации из видеоданных в ряде случаев существенную роль играют сведения о том, каким образом сформированы эти данные. Например, при анализе данных измерительных экспериментов математическая модель измерительных датчиков, формирующих видеоданные, модель источников (класса сцен, изображение которых формируется), модель искажений (шумов, класса геометрических и яркостных изображений) и др. позволяют ставить и решать задачи структурирования данных, оценки параметров изображаемых сцен и отдельных объектов, выделение отличий в сценах по их изображениям и др. Если известна математическая модель формирования видеоданных, связывающая имеющуюся информацию о классе возможных источников данных, регистрирующем видеоустройстве, погрешности регистрации, то для извлечения информации об источнике видеоданных могут быть использованы методы теории измерительно-вычислительных систем; они призваны получать оценки неизвестных параметров с максимальной точностью и с контролем адекватности используемой математической модели цели исследований. Если модель формирования данных содержит неизвестные параметры, используются методы решения задач извлечения информации из видеоданных, инвариантные к изменению неизвестных параметров. Существенную роль в решении задач играет привлечение всей доступной информации об исследуемых объектах и процессах их регистрации, в том числе неполной и противоречивой, формулируемой исследователем в виде его субъективных суждений об их истинности, выраженных оценкой того, насколько относительно правдоподобны его суждения и насколько следует относительно доверять истинности их отрицания. Однако если объемы видеоданных велики, возникает проблема создания методов извлечения информации, успешно работающих при ограниченных вычислительных ресурсах. В проекте используются подходы к решению такой проблемы, основанные, во-первых, на использовании приближенных моделей, позволяющих решать поставленные задачи за приемлемое время за счет небольшой допустимой потери точности решения, во-вторых, на использовании и разработке современных численных методов, основанных на распараллеливании. Междисциплинарность проекта обеспечивается использованием в едином ключе широкого спектра математических моделей – вероятностных, возможностных, математического моделирования субъективных суждений, методов теории редукции измерений, предназначенных для наиболее точного оценивания значений ненаблюдаемых характеристик объекта, и методы морфологического анализа разнородных видеоданных, решающих задачи в условиях неопределенности и противоречивости условий их регистрации в терминах инвариантов этих условий и их субъективного моделирования. Междисциплинарность обусловлена также широтой предметных областей, в которых возможно применение результатов проекта: неразрушающий контроль, дистанционное зондирование, навигация беспилотных аппаратов, экономика и др. Научная новизна обеспечивается разработкой и использованием новых подходов к постановке и решению задач теории измерительно-вычислительных систем и морфологического анализа, учитывающих ограничения на вычислительные ресурсы. Решение задач, поставленных в проекте, позволит расширить области применений подходов, разработанных в теории измерительно-вычислительных систем и методах морфологического анализа, путём применения новых методов обработки данных большого объема.
For a successful solution of problems of extracting information from video data, in a number of cases, a significant role is played by the knowledge on how these data are generated. For example, when analyzing data from measuring experiments, a mathematical model of measuring sensors that form video data, a model of sources (a class of scenes whose image is being formed), a model of distortions (noise, a class of geometric and brightness transformations), etc. allow us to formulate and solve data structuring problems, estimating parameters of depicted scenes and individual objects, detecting differences in the scenes by their images, etc. If you know the mathematical model for the formation of video data, that relates the available information about the class of possible data sources, recording video device, registration errors, then the methods of the theory of measuring-computer systems can be used to extract information about the source of video data. They are designed to obtain estimates of unknown parameters with maximum accuracy and while controlling the adequacy of the mathematical model used. If the data generation model contains unknown parameters, methods for solving problems of extracting information from video data that are invariant to changing unknown parameters are used. A significant role in solving problems is played by the attraction of all available information about the objects studied and the registration processes, including incomplete data, formulated by the researcher as a subjective attitude to their truth, which is determined by the assessment of how relatively true his judgments are and to what extent should be trusted the truthfulness of their denials. However, if the video data volumes are large, the problem arises of creating information retrieval methods that successfully work with limited computing resources. The project uses approaches to solving such a problem, based, firstly, on the use of approximate models, which allow solving the problems in a reasonable time due to the small allowable loss of solution accuracy, secondly, using and developing modern numerical methods based on parallelization. The interdisciplinary nature of the project is ensured by using a wide range of mathematical models - probabilistic, possibilistic, methods for modeling subjective judgments, methods of the theory of measurement reduction, designed to most accurately estimate the values of unobservable object characteristics, and methods for morphological analysis of heterogeneous data that solve problems in conditions of high uncertainty of conditions of their registration in terms of the invariants of these conditions. Interdisciplinarity is also due to the breadth of the subject areas in which the project results can be applied: non-destructive testing, remote sensing, navigation of unmanned vehicles, economics, etc. Scientific novelty is provided by the development of new approaches to the formulation and solution of problems in the theory of measuring and computing systems and morphological analysis, taking into account the limitations on computing resources. Solving the problems posed in the project will expand the scope of application for the approaches developed in the theory of measuring and computing systems and methods of morphological analysis to the processing of large-scale data.
1. Математическая постановка, решение и исследование нового класса задач редукции больших цифровых видеоданных, учитывающих ограничения на вычислительные ресурсы. Будет предложено два подхода к решению этих задач. В первом из них решение задач редукции данных при ограниченных вычислительных ресурсах будет основано на замене точных математических моделей регистрации видеоданных приближенными моделями меньшей размерности так, чтобы эта замена не привела к неприемлемому росту погрешности оценок редукции. Будут созданы и исследованы методы выбора приближенных моделей исходя из критерия ее адекватности решаемой задаче, приемлемой точности редукции, субъективных знаний исследователя и условий ограниченных вычислительных ресурсов. Во втором подходе задачи будут решаться путем деления всего объема на части, анализируемые последовательно или параллельно, и выделения подходящей промежуточной формы представления информации, обновляющейся в результате анализа каждой части видеоданных. Будет выделен класс задач, допускающих такой подход. Будут разработаны методы анализа адекватности математических моделей решаемым задачам редукции измерений при ограниченных вычислительных ресурсах. 2. Разработка методов и компьютерных технологий оптимального решения задач анализа больших цифровых видеоданных, использующих для экономии вычислительных ресурсов субъективное моделирование, в частности, субъективную модель измерительного эксперимента, оптимальные субъективные правила идентификации состояний объекта, методы экспертного построения распределений неопределенных и неопределенных нечетких элементов и др., распараллеливание вычислительных процедур, а также инвариантность задач к некоторой группе преобразований поля зрения. 3. Разработка методов и вычислительных процедур редукции измерений, опирающихся на технологии обучения искусственных нейросетей. 4. Разработка методов морфологического анализа больших цифровых видеоданных, использующих нейросетевые технологии и(или) инвариантность задач к некоторой группе преобразований поля зрения. 5. Создание математических и компьютерных моделей систем извлечения информации из больших цифровых видеоданных для решения практических задач компьютерного зрения в задачах дистанционного зондирования системы Земля-атмосфера, задач навигации беспилотных аппаратов, в задачах повышения разрешения систем формирования изображений.
Участники предлагаемого проекта являются исполнителями и руководителями ряда проектов РФФИ, в которых разрабатывались и разрабатываются математические методы и компьютерные технологии решения задач анализа данных, оптимизации решений и субъективного моделирования (гранты № 02-01-00424-а, 05-01-00532-а, 08-07-00133-а, 11-07-00722-а, 14-07-00441-а, 18-07-00424-а, руководитель – проф. Ю.П.Пытьев) и информационные технологии морфологического анализа изображений и сигналов (гранты РФФИ № 11-07-00338-а, 14-07-00409 –а, 17-07-00832 –а, руководитель –зав.кафедрой математического моделирования и информатики физического факультета МГУ проф. А.И.Чуличков). Однако в этих проектах не были приняты во внимание проблемы, связанные с алгоритмами анализа данных большого объема. Участники проекта являются авторами монографий и статей в ведущих журналах, посвященных темам, развиваемым в проекте.
грант РФФИ |
# | Сроки | Название |
1 | 25 сентября 2019 г.-31 декабря 2019 г. | Анализ и интерпретация данных на основе математической модели их формирования при использовании всей доступной информации о решаемых задачах, в том числе неполной и противоречивой, при учете ограничений на вычислительные ресурсы |
Результаты этапа: | ||
2 | 1 января 2020 г.-31 декабря 2020 г. | Анализ и интерпретация данных на основе математической модели их формирования при использовании всей доступной информации о решаемых задачах, в том числе неполной и противоречивой, при учете ограничений на вычислительные ресурсы |
Результаты этапа: | ||
3 | 1 января 2021 г.-31 декабря 2021 г. | Анализ и интерпретация данных на основе математической модели их формирования при использовании всей доступной информации о решаемых задачах, в том числе неполной и противоречивой, при учете ограничений на вычислительные ресурсы |
Результаты этапа: | ||
4 | 1 января 2022 г.-31 декабря 2022 г. | Анализ и интерпретация данных на основе математической модели их формирования при использовании всей доступной информации о решаемых задачах, в том числе неполной и противоречивой, при учете ограничений на вычислительные ресурсы |
Результаты этапа: | ||
5 | 1 января 2023 г.-1 июня 2023 г. | Анализ и интерпретация данных на основе математической модели их формирования при использовании всей доступной информации о решаемых задачах, в том числе неполной и противоречивой, при учете ограничений на вычислительные ресурсы |
Результаты этапа: |
Для прикрепления результата сначала выберете тип результата (статьи, книги, ...). После чего введите несколько символов в поле поиска прикрепляемого результата, затем выберете один из предложенных и нажмите кнопку "Добавить".