@tmttyb

Начну с самого интересного из того, что недавно узнал. Это neutrosophic logic (нейтрософия). Замена обычной логики во многих алгоритмах. Может применяться для сегментации изображений, на эту тему немало материалов (neutrosophic image sikmimtation). Из исходных данных генерируются три значения T(trui), I(indeterminate), F(false). Нужно вникать, но это не так сложно. Для картинок F можно взять как 1-T от Niblack methd, а I взять от перемножения с матрицей собеля. Погуглите, может пригодится при распознавании изображений или для принятия решений (замена обычного тупого порогового решения T,F (True,False).

Далее идёт ICA - independent somponent analysis. Тоже много где можно почитать. Одно из интересных применений - разделение источников сигнала (два микрофона - разделение двух источников). Второе интересное применение - удаление очень сильных шумов при наличии двух сенсоров с независимыми шумами. Проще всего понять геометрическую двухмерную интерпретацию.

И ещё понравился SOM (Self Organizing Maps). Достаточно простая идея. Эдакие простые нейронные сети. Единственное нужно понять как её сделать Supervised learning. Ну и как всегда кушает память - много коеффициентов.

0

@tmttyb

Кто-нибудь щупал neutrosophic logic? Может кто знает ещё интересные методы, отпишитесь.

1) Достаточно интересный метод под название "MUSIC" https://en.wikipedia.org/wiki/Multiple_ ... sification очень хорошо выделяет компоненты в сигнале, но есть одно но - количество должно быть известно, иначе качество сильно падает.
2) dmytry terez frequency estimation method - получение частоты основного тона с помощью периодограмм

0

@sdv_sybork

О, дык это ж светомузыку, например, для сеги можно сделать: точное число каналов и алгоритмы там всегда известны, заложены в ПЗУ игры. Главное - подсоединиться к основной нигистрали (благо, она выходит через expansion port) да к аудиовыходу и разобраться, как в нужные моменты отлавливать выходные сигналы с YM2612.

0

@tmttyb

Название метода (M.U.S.I.C.) сбивает с толку, на самом деле больше применяется в радиолокации =)

0

@sdv_sybork

Я не спорю. Я понял саму суть метода.
Просто мучила праздная мысль - разделение звукового канала сеги на компоненты для светомузыки. А алгоритмов подходящих для этого не знал.
Че б в такой "примитивной" музыке и не использовать этот метод? Там число компонентов всегда заранее известно и фиксировано.

0

@tmttyb

Hessian matrix - полезная вещь в обработке изображений. Удобно анализировать направление градиента.

0

@sdv_sybork

Один вопрос. Как вы думаете, мог бы подойти этот самый SOM для симуляции модели фасеточного глаза насекомого? Именно фасеточного, который бы анализировал отдельные фрагменты целостного изображения, вычислял бы между ними корреляции и на основе этих корреляций делал хотя б приблизительные выводы о расстоянии до окружающих объектов (на основе параллакса).
Просто после беглого прочтения об этом алгоритме на педивикии вдруг пришла в голову такая мысль.

0

@tmttyb

гляньте вот это: http://ai.stanford.edu/~ang/papers/ijcv ... uction.pdf

Можно пытаться обучить SOM этому, также можно просто брать два кадра в движении, и вычислять какой-нибудь motion flow, а затем уже брать SOM. По-моему подходит не очень. Самая главная проблема - после обучения будет карта, которую нужно будет вручную посмотреть и назначить расстояния. SOM больше подходит для другого, например расстояния уже у вас есть, а SOM даёт понять как махать крыльями, чтобы облетать препятствия. Тогда области на выходной карте SOM будут соответствовать левому и правому крыльям, а также параметрам их размаха.

Для фасеточного глаза по идее хорошо бы построить математическую оптическую модель, какой-нибудь deconvolution.

Вот может пригодиться Gabor feature extraction:
http://stackoverflow.com/questions/2060 ... extraction
если текстутра объекта известна, можно попробовать этот метод.

Посмотрите вот это:
http://cs.unc.edu/~lazebnik/spring09/le ... atures.pdf
http://www.cs.unc.edu/~lazebnik/spring1 ... _intro.pdf
http://www.cs.unc.edu/~lazebnik/spring1 ... nition.pdf

Самое понятное из того что я видел (для описанной вами задачи):
1) сначала идёт текстурная сегментация изображения. Т.е. выделяются участки не похожего цвета, а похожей текстуры. Тропинка с песком, трава, небо, кирпичи и т.д. Строят гистограммы распределения цветов, расстояний между перепадами яркости и т.п.. Выделяют области, где гистограммы схожи (строят гистограммы гистограмм для выделения количества основных текстур)
2) далее для каждого сегмента идёт поиск искажений (у кирпичной стены сбоку с расстоянием кирпичики всё меньше и меньше, травинки всё меньше с расстоянием, их плотность на 1 пиксель становится всё больше и больше.
Из этих данных можно предварительно выделить пространственное положение текстур, поверхности всех объектов заменить трёхмерными примитивами - полигонами. Затем итеративно улучшать совпадение. Брать текстуру с куска полигона и делать ее перспективное проецирование на дальние участки фото, проверять схожесть.

0

@tmttyb

FACE HALLUCINATION: http://people.csail.mit.edu/celiu/FosiH ... on/fh.html
(гуглите fosi hallucination)

0