Vaizdų analizės ir reikšmingos informacijos išskyrimo iš jų algoritmai yra itin plačiai taikomi mokslo tyrimuose bei inžineriniuose sprendimuose. Skirtingi algoritmai sprendžia vaizdų atpažinimo, segmentavimo, klasifikavimo ir kitus uždavinius. Dažniausiai naudojami vaizdų dekompozicijos, mašininio mokymo algoritmai ar jų tarpusavio sąjunga konkretiems sprendimams pasiekti. Vis dėlto, mašininio mokymo pritaikymą riboja apmokymui reikalinga didelė duomenų imtis, kurią naujoje taikymo srityje sunku sudaryti. Nors šiuo metu vaizdų analizės algoritmai yra itin gerai išplėtoti ir vis plačiau nagrinėjamos jų taikymo galimybės, vaizdų sekos nagrinėjimas siekiant iš jų išskirti semantinę prasmę ir įvertinti proceso evoliuciją yra vis dar iššūkis algoritmine prasme. Dabartiniai praktikoje naudojami algoritmai, sprendžiantys vaizdų sekos semantikos uždavinius, dažniausiai atlieka diskretinių vaizdų analizę, kai tolimesnis semantinės prasmės išskyrimas atliekamas apibendrinant diskretinės analizės rezultatus.
Jei pirminės diskretinės vaizdų sekos apdorojimas atliekamas dekompoziciniais vaizdų analizės ir jų transformavimo ar suliejimo algoritmais, galima procesą iš diskretinės vaizdų sekos transformuoti į kontinuumą. Iš kontinuumo suprojektuoto vaizdo ar atitinkamos vaizdų sekos taikymas su tinkamai parinktomis neuroninių tinklų architektūromis leidžia smarkiai sumažinti vaizdų sekos duomenų imtis, reikalingas apmokymo procese. Tai itin aktualu dirbtinio intelekto apmokymo procesuose jo panaudojamumui vis labiau plečiantis į įvairias mokslo ir inžinerines sritis, kur sėkmingų rezultatų pasiekimas dažniausiai yra apribojamas apmokymo procesui galimų duomenų surinkti imtimis. Tuo tarpu esant didelėms duomenų imtims galima pasiekti geresnius rezultatus lyginant su klasikiniais algoritmais, kuomet proceso evoliucija yra vertinama apibendrinant diskretinės vaizdų sekos analizės rezultatus.
Projekto finansavimas:
KTU MTEPI fondas
Projekto įgyvendinimo laikotarpis: 2019-04-01 - 2019-12-31
