RU2037203C1 - Method for object identification - Google Patents
Method for object identification Download PDFInfo
- Publication number
- RU2037203C1 RU2037203C1 RU93034497/09A RU93034497A RU2037203C1 RU 2037203 C1 RU2037203 C1 RU 2037203C1 RU 93034497/09 A RU93034497/09 A RU 93034497/09A RU 93034497 A RU93034497 A RU 93034497A RU 2037203 C1 RU2037203 C1 RU 2037203C1
- Authority
- RU
- Russia
- Prior art keywords
- objects
- identification
- operator
- class
- training
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
- G09B19/06—Foreign languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
Abstract
Description
Изобретение относится к области распознавания (идентификации) объектов и может быть использовано при создании распознавающих систем, при моделировании процессов идентификации с использованием современных ЭВМ, при подготовке текстовых редакторов и т.п. The invention relates to the field of recognition (identification) of objects and can be used to create recognition systems, when modeling identification processes using modern computers, in the preparation of text editors, etc.
Известны способы опознавания (идентификации) объектов, включающие в себя предъявление оператору информационного массива для идентификации объектов, выделение оператором признаков идентифицируемых объектов из предъявленного массива и сопоставление оператором выделенных признаков с эталонными признаками. Под оператором в данном случае понимается как человек, так и соответствующее устройство идентификации, система искусственного интеллекта и т. п. Указанные выше признаки являются общими для всех известных способов опознавания объектов, а отличия между ними сводятся лишь к использованию различных правил классификации объектов. Так, в основе метрического подхода лежит формирование совокупности эталонов и осуществление дискретизации объектов, причем дискретизация, с одной стороны, не должна приводить к избыточному описанию, а с другой как можно точнее воспроизводить первоначальный образ при сравнении с эталоном. В основе структурного подхода к распознаванию объектов лежит построение некоторого языка, связанного с определенными правилами грамматиками, которые позволяют управлять процессом отыскания локальных свойств объектов, их взаимного расположения и т.д. В качестве элементарных признаков обычно используются такие признаки, как угол, перекрестие и т.п. Иными словами, при использовании структурного подхода каждому классу объектов может быть поставлена в соответствие некоторая порождающая грамматика, т. е. набор правил описания рассматриваемого класса на основе выбранных простейших признаков. Known methods for identifying (identifying) objects, which include presenting to the operator an information array for identifying objects, highlighting by the operator signs of identifiable objects from the presented array, and matching the selected signs by the operator with reference signs. In this case, the operator is understood as a person, as well as the corresponding identification device, artificial intelligence system, etc. The above signs are common to all known methods of identifying objects, and the differences between them come down only to using different rules for classifying objects. So, the metric approach is based on the formation of a set of standards and discretization of objects, and discretization, on the one hand, should not lead to an excessive description, and, on the other hand, reproduce the original image as accurately as possible when comparing with the standard. The structural approach to object recognition is based on the construction of a certain language associated with certain grammar rules, which allow you to control the process of finding local properties of objects, their relative position, etc. As elementary signs, such signs as an angle, a crosshair, etc. are usually used. In other words, when using the structural approach, each class of objects can be associated with some generative grammar, i.e., a set of rules for describing the class in question based on the selected simple features.
Недостаток этих способов заключается, во-первых, в том, что они имеют ограниченную область применения, т.к. в ряде случаев либо нет готовых правил классификации объектов, либо очень трудно сформулировать эти правила, например, при дифференциальной диагностике заболеваний. Во-вторых, эффективность обработки информации известными способами невысока, т.к. при опознавании каждого объекта необходимо осуществить перебор всех заданных правил и выбрать то, которое соответствует распознаваемому объекту. The disadvantage of these methods is, firstly, that they have a limited scope, because in some cases, there are either no ready-made rules for classifying objects, or it is very difficult to formulate these rules, for example, in the differential diagnosis of diseases. Secondly, the efficiency of information processing by known methods is low, because when recognizing each object, it is necessary to enumerate all the given rules and select the one that corresponds to the recognized object.
В основу изобретения поставлена задача разработать способ идентификации объектов с такой последовательностью обработки информационных массивов, которая обеспечила бы формирование правил классификации объектов непосредственно в процессе этой обработки, что позволило бы повысить эффективность обработки больших информационных массивов с объектами различных классов. The basis of the invention is the task of developing a method for identifying objects with such a sequence of processing information arrays that would ensure the formation of classification rules for objects directly during this processing, which would improve the processing efficiency of large information arrays with objects of various classes.
Этот результат достигается благодаря тому, что в способе идентификации объектов, включающем в себя предъявление оператору информационного массива для идентификации объектов, выделение оператором признаков идентифицируемых объектов из предъявленного информационного массива и сопоставление оператором выделенных признаков с эталонными признаками, информационный массив предъявляют в виде заданного числа обучающих выборок и заданного числа проверочных выборок с примерами идентифицируемых объектов одного класса последовательно в порядке возрастания сложности идентифицируемых объектов данного класса, первую обучающую выборку предъявляют с указанием тех признаков идентифицируемых объектов данного класса, которые затем выделяются оператором в качестве эталонных признаков, каждую из остальных обучающих выборок предъявляют в течение времени, минимально необходимого для ее восприятия оператором, после предъявления заданного числа обучающих выборок предъявляют оператору каждую проверочную выборку в течение времени, минимально необходимого для ее восприятия и идентификации оператором, после чего проверяют правильность идентификации путем сравнения ее результата с заранее заданным эталоном. This result is achieved due to the fact that in the method of identifying objects, which includes presenting to the operator an information array for identifying objects, highlighting by the operator signs of identifiable objects from the presented information array and matching the selected signs by the operator with reference signs, the information array is presented in the form of a given number of training samples and a given number of test samples with examples of identifiable objects of the same class sequentially in in order to increase the complexity of identifiable objects of this class, the first training sample is presented indicating those features of identifiable objects of this class, which are then highlighted by the operator as reference features, each of the remaining training samples is presented for the minimum time necessary for its perception by the operator, after presenting the specified the numbers of training samples present each test sample to the operator during the time minimally necessary for its perception and ide operator-identification, then the correctness of the identification is checked by comparing its result with a predetermined reference.
После предъявления всех проверочных выборок, относящихся к идентифицируемым объектам одного класса, в том же сеансе идентификации возможно предъявление оператору информационного массива из заданного числа обучающих выборок и заданного числа проверочных выборок, относящихся к классу идентифицируемых объектов меньшей сложности, чем в предыдущем информационном массиве. After presenting all test samples related to identifiable objects of one class in the same identification session, it is possible to present an information array to the operator from a given number of training samples and a given number of test samples belonging to the class of identifiable objects of less complexity than in the previous information array.
Число обучающих и число проверочных выборок по заданному классу идентифицируемых объектов в одном сеансе идентификации, а также число последовательных сеансов идентификации, в которых повторяют предъявление обучающих и проверочных выборок, относящихся к одному и тому же классу идентифицируемых объектов, зависят от сложности этих идентифицируемых объектов. The number of training and the number of test samples for a given class of identifiable objects in one identification session, as well as the number of consecutive identification sessions in which the presentation of training and test samples belonging to the same class of identifiable objects is repeated, depends on the complexity of these identifiable objects.
В данном случае сложность объектов может, например, определяться количеством информационных признаков этих объектов, или зашумленностью этих объектов на носителе информации, либо задаваться заранее, исходя из специальных правил. In this case, the complexity of the objects can, for example, be determined by the number of information features of these objects, or by the noise level of these objects on the information carrier, or be set in advance based on special rules.
Преимущество предлагаемого способа идентификации объектов заключается в том, что в результате анализа конечной последовательности обучающих выборок, содержащих в себе примеры объектов, относящихся к одному классу, оператор (или операторы) сам сформирует свой вариант правил идентификации объектов, принадлежащих данному классу. При этом отсутствуют какие-либо ограничения как на число классов, включаемых в последовательность обучающих выборок конечной длины, так и на сами эти классы. Указанное обстоятельство позволяет использовать данный способ для идентификации объектов, признаки которых заранее не определены. С другой стороны, оператор, сформировавший самостоятельно свои варианты правил идентификации объектов, относящихся к различным классам, использует их с большой эффективностью при обработке больших информационных массивов, содержащих объекты, относящиеся к различным классам. The advantage of the proposed method for identifying objects is that as a result of analyzing the final sequence of training samples containing examples of objects belonging to one class, the operator (or operators) will form its own version of the rules for identifying objects belonging to this class. Moreover, there are no restrictions on the number of classes included in the sequence of training samples of finite length, or on these classes themselves. This circumstance allows you to use this method to identify objects whose features are not previously defined. On the other hand, the operator, having independently formed its own versions of the rules for identifying objects belonging to different classes, uses them with great efficiency when processing large information arrays containing objects belonging to different classes.
Реализация данного способа может осуществляться по-разному. Общим, однако, является предъявление оператору того или иного носителя с заданным числом обучающих и проверочных выборок с примерами объектов только одного класса, причем сложность этих объектов нарастает с увеличением номера соответствующей выборки. При предъявлении первой обучающей выборки оператору указывают некоторые признаки идентифицируемых объектов, которые и позволяют осуществить идентификацию таких объектов. Затем последующие обучающие выборки предъявляют в темпе их восприятия оператором, после чего в том же темпе предъявляют по одной проверочной выборке с проверкой правильности результата идентификации. The implementation of this method can be carried out in different ways. However, it is common to present one or another medium with a given number of training and test samples to the operator with examples of objects of only one class, and the complexity of these objects increases with an increase in the number of the corresponding sample. Upon presentation of the first training sample to the operator indicate some signs of identifiable objects, which allow the identification of such objects. Then the subsequent training samples are presented at the pace of their perception by the operator, after which at the same pace they are presented with one test set with verification of the correctness of the identification result.
На чертеже приведена блок-схема системы идентификации, реализующей рассматриваемый способ. В этой системе на вход блока 1 считывания подают носитель информации. Выход блока 1 считывания подключен ко входу 2 анализатора 3, выход которого соединен с блоком 4 регистрации и логическим блоком 6, выход которого через программный блок 7 подключен ко входу 5 анализатора 3. Логический блок 6 шиной обмена связан с блоком 8 памяти. The drawing shows a block diagram of an identification system that implements the considered method. In this system, an information carrier is supplied to the input of the reading unit 1. The output of the reading unit 1 is connected to the input 2 of the analyzer 3, the output of which is connected to the registration unit 4 and the logical unit 6, the output of which is connected through the program unit 7 to the input 5 of the analyzer 3. The logical unit 6 is connected to the memory unit 8 by an exchange bus.
Блок 1 может быть считывателем текстовой информации при предъявлении носителя с текстовыми выборками, либо устройством для считывания изображения типа телевизионной или видеокамеры в случае предъявления многоцветной графической информации (карт, фотографий и т.п.); в случае предъявления звуковой информации блок 1 может быть акустическим датчиком и т.д. Block 1 can be a reader of text information upon presentation of a medium with text samples, or a device for reading an image such as a television or video camera in the case of presentation of multicolor graphic information (cards, photographs, etc.); in the case of presentation of audio information, block 1 may be an acoustic sensor, etc.
Остальные блоки системы могут быть реализованы с помощью соответственно запрограммированного компьютера. The remaining blocks of the system can be implemented using an appropriately programmed computer.
В этом случае предварительно формируют несколько обучающих выборок, каждая из которых содержит примеры идентифицируемого объекта (объектов одного класса). В каждом примере, включенном в обучающие выборки, распознаваемый объект должен быть каким-либо образом выделен. Метод выделения идентифицируемого объекта зависит от конструктивных особенностей блока 1 считывания и, в принципе, может быть использован любой из числа известных методов выделения требуемого объема информации. Кроме того, формируют несколько проверочных выборок, каждая из которых содержит примеры того же идентифицируемого объекта, однако в этих примерах относящаяся к идентифицируемому объекту информация специально никак не выделяется. Относящаяся к каждой выборке информация заносится на соответствующий носитель. Затем носители обучающих выборок и отдельно носители проверочных выборок располагают в порядке возрастания сложности записанной на них информации. На этом подготовительный этап для осуществления данного способа заканчивается. In this case, several training samples are preliminarily formed, each of which contains examples of an identifiable object (objects of the same class). In each example included in the training samples, the recognized object must be highlighted in some way. The method of identifying an identifiable object depends on the design features of the reading unit 1 and, in principle, any of a number of known methods for extracting the required amount of information can be used. In addition, several test samples are generated, each of which contains examples of the same identifiable object, however, in these examples, information related to the identifiable object is not specifically allocated. Information pertaining to each sample is recorded on the appropriate medium. Then the media of the training samples and separately the media of the test samples are arranged in increasing order of complexity of the information recorded on them. At this preparatory stage for the implementation of this method ends.
Затем на вход блока 1 считывания подают носитель, на котором записана первая обучающая выборка. В процессе ее считывания блоком 1 специально выделяются те признаки идентифицируемого объекта, которые ассоциируются с его эталонными признаками. Это может осуществляться как с помощью дополнительного выделения указанных признаков на самом носителе, так и с помощью указаний извне, вводимых в блок 1. Then, the medium on which the first training sample is recorded is fed to the input of the reading unit 1. In the process of reading it by block 1, those features of the identifiable object that are associated with its reference features are specially highlighted. This can be done either by additionally highlighting the indicated features on the medium itself or by using external instructions entered in block 1.
С выхода блока 1 считывания информация первой обучающей выборки подается на вход 2 анализатора 3, например, в виде последовательности электрических сигналов. Анализатор обрабатывает эту информацию, причем обработка в анализаторе 3 в зависимости от его технических возможностей осуществляется либо в последовательном, либо в параллельном виде. В каждом примере идентифицируемого объекта, содержащемся в обучающей выборке, анализатор 3 выделяет характерные признаки, их взаимное расположение, а также расположение идентифицируемого объекта относительно других объектов, включенных в пример. С помощью логического блока 6 выделенные признаки сравниваются между собой и разделяются на группы похожих или одинаковых. Такое выделение, сравнение и формирование групп признаков осуществляется и при считывании блоком 1 следующих обучающих выборок, в которых характерные признаки этих объектов дополнительно (как в первой обучающей выборке) не выделяются. From the output of the reading unit 1, the information of the first training sample is fed to input 2 of the analyzer 3, for example, in the form of a sequence of electrical signals. The analyzer processes this information, and the processing in the analyzer 3, depending on its technical capabilities, is carried out either in serial or in parallel. In each example of an identifiable object contained in the training sample, the analyzer 3 identifies characteristic features, their relative position, as well as the location of the identifiable object relative to other objects included in the example. Using logical block 6, the selected features are compared with each other and divided into groups of similar or identical. Such a selection, comparison and formation of groups of attributes is also carried out when block 1 reads the next training samples in which the characteristic features of these objects are not additionally (as in the first training sample).
Таким образом, анализатор 3 с помощью логического блока 6 выделяет подмножество признаков идентифицируемых объектов одного класса, которое в первом приближении соответствует идентифицируемому объекту. Программный блок 7 настраивает анализатор 3 на классификацию объектов в соответствии с этой системой признаков, которая одновременно вводится в блок 8 памяти в качестве эталонных признаков. Thus, the analyzer 3 using a logical unit 6 selects a subset of the features of identifiable objects of the same class, which in a first approximation corresponds to the identifiable object. The program unit 7 tunes the analyzer 3 to the classification of objects in accordance with this system of features, which is simultaneously entered into the memory unit 8 as reference features.
Проверочные выборки, как следует из их названия, подают на блок 1 для проверки правильности идентификации объектов данного класса рассматриваемой системой. После считывания каждой проверочной выборки, признаки объектов в которой никак не выделены, анализатор 3 выделяет некоторые признаки объектов на основании своей настройки, после чего эти выделенные признаки сравниваются с теми признаками, которые были запомнены в блоке 8 памяти. На основании сопоставления признаков выделяют тот объект, который обладает сформированной системой признаков, и регистрируют результат идентификации в блоке 4. Если полученный при обработке каждой проверочной выборки показатель правильности идентифицируемого объекта будет не ниже наперед заданной величины, то формирование системы признаков для объектов этого класса считается завершенным, и на вход блока 1 считывания можно подавать носитель с обучающими выборками, относящимися к объектам другого класса. При этом выходы логического блока 6, соединенные с программным блоком 7, обнуляются и анализатор переводится в режим обработки первой обучающей выборки. Test samples, as their name implies, are fed to block 1 to verify the correct identification of objects of this class by the system in question. After reading each test sample, the features of the objects in which are not selected in any way, the analyzer 3 selects some features of the objects based on its settings, after which these selected features are compared with those features that were stored in the memory unit 8. Based on the comparison of features, select the object that has the generated feature system and record the identification result in block 4. If the correctness of the identified object obtained by processing each test sample is not lower than the predetermined value, then the formation of the feature system for objects of this class is considered completed , and the input of the reading unit 1 can be fed with a carrier with training samples related to objects of another class. The outputs of the logical unit 6, connected to the program unit 7, are reset and the analyzer is transferred to the processing mode of the first training sample.
Если же при обработке очередной проверочной выборки будет получен показатель правильности идентифицируемого объекта ниже, чем наперед заданная величина, то на вход блока 1 вновь подают носитель с обучающими выборками, содержащими примеры объектов того же класса, после чего снова подают носитель с проверочными выборками. В результате такой обработки получают уточненное подмножество признаков, соответствующих идентифицируемому объекту, настраивают по нему анализатор 3 с помощью программного блока 7 и записывают его в блок 8 памяти вместо ранее записанного подмножества. Такая обработка повторяется до тех пор, пока показатель правильности не превысит заранее заданный порог. If, when processing the next test sample, the correctness of the identifiable object is lower than the predetermined value, then the medium with training samples containing examples of objects of the same class is again fed to the input of block 1, after which the medium with test samples is again fed. As a result of this processing, a refined subset of features corresponding to the identified object is obtained, the analyzer 3 is tuned according to it using the program unit 7, and it is written to the memory unit 8 instead of the previously recorded subset. Such processing is repeated until the correctness indicator exceeds a predetermined threshold.
При идентификации сложных объектов каждая обучающая выборка может содержать лишь часть признаков таких объектов. В этом случае после выделения подмножества признаков с помощью первой совокупности обучающих и соответствующих проверочных выборок на вход блока 1 считывания подают носитель с обучающими (а затем и с проверочными) выборками другой их совокупности с примерами других признаков объектов того же класса, что и в первой совокупности. В результате выделения другого подмножества признаков для идентифицируемых объектов этого класса формируется общая их совокупность, которая может быть проверена точно так же с помощью проверочных выборок, содержащих примеры объектов этого класса с признаками из обоих подмножеств. When identifying complex objects, each training set may contain only a part of the characteristics of such objects. In this case, after selecting a subset of features using the first set of training and corresponding test samples, a medium with training (and then test) samples of another set with examples of other features of objects of the same class as in the first set is fed to the input of the reading unit 1 . As a result of the selection of another subset of features for identifiable objects of this class, their common set is formed, which can be checked in the same way using test samples containing examples of objects of this class with features from both subsets.
Неочевидным преимуществом данного способа является возможность его использования также и при подготовке операторов, например, текстовых редакторов, а кроме того, при обучении языкам. В частности, при подготовке текстовых редакторов данный способ реализован следующим образом. An obvious advantage of this method is the possibility of its use also in the preparation of operators, for example, text editors, and in addition, when teaching languages. In particular, in the preparation of text editors, this method is implemented as follows.
Сначала сформировали группу из 7-10 операторов, обладающих примерно одинаковыми способностями. Такая группа может формироваться, например, по возрастному принципу. Следует, однако, отметить, что данный способ пригоден и для индивидуальной подготовки операторов. После формирования группы операторы приступают к выделению систем признаков, соответствующих объектам первого класса, которые являются самыми сложными в данном сеансе идентификации. Для этого операторам группы предъявляют первую обучающую выборку в зpительной форме, специально обращая их внимание на признаки идентифицируемых объектов данного класса. Это может быть сделано в речевой форме и/или с помощью выделения этих признаков на самом носителе (цветом, подчеркиванием и т. п. ), причем указанное дополнительное выделение признаков на носителе может осуществляться и самими операторами группы по словесному указанию арбитра. Затем операторам предъявляют уже только в зрительной форме следующие обучающие выборки, причем каждую обучающую выборку предъявляют в течение времени, минимально необходимого для ее считывания всеми операторами (не задумываясь). Объем обучающих выборок при этом выбирается так, чтобы это время не превышало, например, трех минут. После считывания операторами всей первой серии обучающих выборок (заданного числа обучающих выборок), относящихся к объектам одного класса, им последовательно предъявляют проверочные выборки в порядке возрастания их сложности, причем время предъявления каждой проверочной выборки минимально необходимо для считывания этой выборки и идентификации представленных в ней объектов. Обычно это время примерно в 1,5-3 раза больше, чем время просто считывания такой выборки всеми операторами группы, а объем проверочной выборки таков, чтобы указанное время ее обработки операторами не превышало, например, четырех минут. После обработки каждой проверочной выборки производится проверка правильности идентификации путем опроса всех операторов. First, a group of 7-10 operators was formed with approximately the same capabilities. Such a group can be formed, for example, according to the age principle. However, it should be noted that this method is also suitable for individual training of operators. After the formation of the group, the operators proceed to the selection of feature systems corresponding to the objects of the first class, which are the most difficult in this identification session. For this, the operators of the group are presented with the first training sample in a visual form, specially paying their attention to the signs of identifiable objects of this class. This can be done in verbal form and / or by highlighting these signs on the medium itself (color, underlining, etc.), and the specified additional highlighting of the signs on the medium can also be carried out by the group operators themselves according to the verbal instruction of the arbitrator. Then the following training samples are presented to operators only in visual form, and each training sample is presented for the time minimally necessary for all operators to read it (without thinking). The volume of training samples is selected so that this time does not exceed, for example, three minutes. After operators read the entire first series of training samples (a given number of training samples) related to objects of the same class, they are subsequently presented with test samples in order of increasing complexity, and the time it takes to present each test sample is minimally necessary to read this sample and identify the objects presented in it . Usually this time is approximately 1.5-3 times longer than the time just to read such a sample by all operators of the group, and the volume of the test sample is such that the specified time for its processing by the operators does not exceed, for example, four minutes. After processing each test sample, the verification of identification is carried out by interrogating all operators.
После обработки операторами группы всех обучающих и проверочных выборок, содержащих примеры идентифицируемых объектов одного класса, им предъявляют обучающие и проверочные выборки с примерами идентифицируемых объектов другого класса, сложность которого меньше, чем у предыдущего класса, но выше, чем у следующих за ним. В одном сеансе идентификации операторам могут быть предъявлены выборки с примерами объектов нескольких классов. С другой стороны, выборки с примерами объектов, относящихся к сложным классам, могут предъявляться операторам в нескольких последовательных сеансах идентификации. Число таких сеансов, а также число выборок в каждой серии зависит от сложности идентифицируемых объектов. After the operators process the groups of all training and test samples containing examples of identifiable objects of one class, they are presented with training and test samples with examples of identifiable objects of another class, the complexity of which is less than the previous class, but higher than that of the following. In a single authentication session, operators can be presented with samples with examples of objects of several classes. On the other hand, samples with examples of objects belonging to complex classes can be presented to operators in several consecutive identification sessions. The number of such sessions, as well as the number of samples in each series, depends on the complexity of the identified objects.
Примерами обучающих (А) и проверочных (Б) выборок для вышерассмотренного случая подготовки текстовых редакторов служат нижеследующие наборы предложений русского языка с примерами причастных оборотов в качестве идентифицируемых объектов. Examples of training (A) and test (B) samples for the above case of training text editors are the following sets of sentences of the Russian language with examples of participles as identifiable objects.
А-1. 1. Ваза, стоящая на столе, была полна роз. A-1. 1. The vase on the table was full of roses.
2. Стоящая на столе ваза была полна роз. 2. The vase on the table was full of roses.
3. Стоящая на столе, она была полна роз. 3. Standing on the table, she was full of roses.
А-2. 1. Солнце, показавшееся из-за туч, ярко осветило лес и поляну. 2. Росшие у ручья незабудки уже зацвели. 3. Почки, появившиеся на деревьях, говорили о наступившей весне. 4. На пристани стояли пассажиры, ожидавшие посадки на катер. 5. Молчаливо стоят одетые листвой березы и клены 6. Широко разливаются реки, наполняемые талой водой. 7. Изумленный, он не сразу нашел подходящий ответ. A-2. 1. The sun, which appeared from behind the clouds, brightly illuminated the forest and the meadow. 2. Forget-me-nots that have grown near a stream have already bloomed. 3. The buds that appeared on the trees spoke of the coming spring. 4. Passengers stood on the pier waiting to board the boat. 5. Silently dressed foliage of birch and maples 6. Widely spilled rivers filled with melt water. 7. Amazed, he did not immediately find a suitable answer.
Б-1. 1. Освещенный солнцем лес все-таки казался темным. 2. Маша одетая в дешевое ситцевое платье все же казалась самой изящной девушкой. 3. Степь охваченная долгожданной весенней теплотой густо курилась. 4. Кругом расстилаются покрытые снегом поля. 5. Усталая она замолчала. 6. Ребяческий крик повторяемый эхом до ночи гремит по лесам. B-1. 1. The sunlit forest still seemed dark. 2. Masha, dressed in a cheap chintz dress, still seemed the most elegant girl. 3. The steppe covered by the long-awaited spring warmth was densely smoked. 4. All around are snow-covered fields. 5. Tired she fell silent. 6. A childish scream echoed through the woods until night.
Данный способ не ограничивается приведенным примером подготовки текстовых редакторов. Он может использоваться также и для решения задач идентификации, прогнозирования и управления в условиях сложных, плохо формализуемых систем, при наличии плохо определенных зависимостей, малой изученности некоторых закономерностей и т.п. This method is not limited to the given example of training text editors. It can also be used to solve problems of identification, forecasting and control in complex, poorly formalized systems, in the presence of poorly defined dependencies, little knowledge of some laws, etc.
Claims (4)
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU93034497/09A RU2037203C1 (en) | 1993-07-16 | 1993-07-16 | Method for object identification |
| FR9407574A FR2708362A1 (en) | 1993-07-16 | 1994-06-21 | Method of identifying objects |
| DE4495111T DE4495111T1 (en) | 1993-07-16 | 1994-06-30 | Object recognition method |
| GB9505355A GB2286706A (en) | 1993-07-16 | 1994-06-30 | Object recognition process |
| DE4495111A DE4495111C2 (en) | 1993-07-16 | 1994-06-30 | Method for determining a set of characteristic features in the context of object recognition |
| PCT/RU1994/000141 WO1995002868A1 (en) | 1993-07-16 | 1994-06-30 | Object recognition process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU93034497/09A RU2037203C1 (en) | 1993-07-16 | 1993-07-16 | Method for object identification |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2037203C1 true RU2037203C1 (en) | 1995-06-09 |
| RU93034497A RU93034497A (en) | 1997-03-20 |
Family
ID=20144457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU93034497/09A RU2037203C1 (en) | 1993-07-16 | 1993-07-16 | Method for object identification |
Country Status (5)
| Country | Link |
|---|---|
| DE (2) | DE4495111C2 (en) |
| FR (1) | FR2708362A1 (en) |
| GB (1) | GB2286706A (en) |
| RU (1) | RU2037203C1 (en) |
| WO (1) | WO1995002868A1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000054173A1 (en) * | 1999-03-10 | 2000-09-14 | David Evgenievich Yang | Method for the interconnection activation of resultant computer codes and of the originals corresponding to them |
| WO2000055801A1 (en) * | 1999-03-15 | 2000-09-21 | David Evgenievich Yang | Method for building dynamic raster templates of computer codes during the recognition process of the corresponding originals |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10037742C2 (en) * | 2000-08-02 | 2003-03-27 | Gunter Ritter | System for the detection and classification of objects |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2121992A5 (en) * | 1971-01-14 | 1972-08-25 | Chapelle Jean | |
| US3777413A (en) * | 1972-07-10 | 1973-12-11 | J Zaccheo | Personal sensitivity test method and apparatus therefor |
| SU1057972A1 (en) * | 1982-01-27 | 1983-11-30 | Московский Институт Электронного Машиностроения | Device for pattern recognition |
| EP0157080A3 (en) * | 1984-01-16 | 1988-10-05 | International Standard Electric Corporation | Probabilistic learning element |
| US4599693A (en) * | 1984-01-16 | 1986-07-08 | Itt Corporation | Probabilistic learning system |
| US4760604A (en) * | 1985-02-15 | 1988-07-26 | Nestor, Inc. | Parallel, multi-unit, adaptive, nonlinear pattern class separator and identifier |
| EP0244483B1 (en) * | 1985-11-27 | 1992-07-15 | Trustees Of Boston University | Pattern recognition system |
-
1993
- 1993-07-16 RU RU93034497/09A patent/RU2037203C1/en not_active IP Right Cessation
-
1994
- 1994-06-21 FR FR9407574A patent/FR2708362A1/en not_active Withdrawn
- 1994-06-30 DE DE4495111A patent/DE4495111C2/en not_active Expired - Fee Related
- 1994-06-30 DE DE4495111T patent/DE4495111T1/en active Pending
- 1994-06-30 GB GB9505355A patent/GB2286706A/en not_active Withdrawn
- 1994-06-30 WO PCT/RU1994/000141 patent/WO1995002868A1/en active Application Filing
Non-Patent Citations (1)
| Title |
|---|
| Здор С.Е., Широков В.Б. Оптический поиск и распознавание. М.: Наука, 1973, стр.137-141. * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000054173A1 (en) * | 1999-03-10 | 2000-09-14 | David Evgenievich Yang | Method for the interconnection activation of resultant computer codes and of the originals corresponding to them |
| WO2000055801A1 (en) * | 1999-03-15 | 2000-09-21 | David Evgenievich Yang | Method for building dynamic raster templates of computer codes during the recognition process of the corresponding originals |
Also Published As
| Publication number | Publication date |
|---|---|
| GB2286706A (en) | 1995-08-23 |
| GB2286706A8 (en) | 1997-02-17 |
| GB9505355D0 (en) | 1995-05-10 |
| DE4495111C2 (en) | 1999-10-21 |
| DE4495111T1 (en) | 1995-12-07 |
| FR2708362A1 (en) | 1995-02-03 |
| WO1995002868A1 (en) | 1995-01-26 |
| GB2286706A9 (en) | 1997-02-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shih et al. | Where to look: Focus regions for visual question answering | |
| CN102982349B (en) | A kind of image-recognizing method and device | |
| CN108960207A (en) | A kind of method of image recognition, system and associated component | |
| CN105574550A (en) | Vehicle identification method and device | |
| CN105654066A (en) | Vehicle identification method and device | |
| CN108460415A (en) | Pseudo label generates model training method and pseudo label generation method | |
| CN111191067A (en) | Picture book identification method, terminal device and computer readable storage medium | |
| CN117205535A (en) | System for detecting number of pieces of substitute money for recreation | |
| Gert | Primitive colors: A case study in neo-pragmatist metaphysics and philosophy of perception | |
| CN110210021A (en) | Read understanding method and device | |
| CN113420745B (en) | Image-based target identification method, system, storage medium and terminal equipment | |
| DE10306599A1 (en) | User interface, system and method for automatically naming phonetic symbols for speech signals to correct pronunciation | |
| CN110210309A (en) | The recognition methods of mistake topic, system, readable storage medium storing program for executing and equipment | |
| CN105807917A (en) | Method and device capable of assisting user in carrying out literacy | |
| CN110135225A (en) | Sample mask method and computer storage medium | |
| CN109165564B (en) | Electronic photo album, generation method, system, storage medium and computer equipment | |
| CN110609833A (en) | Book page number identification method and device, family education machine and storage medium | |
| CN115761366A (en) | Zero sample picture classification method, system, device and medium for supplementing missing features | |
| CN109190132A (en) | Translation quality assessment method and device | |
| RU2037203C1 (en) | Method for object identification | |
| CN111008295A (en) | Page retrieval method and device, electronic equipment and storage medium | |
| CN113610080B (en) | Cross-modal perception-based sensitive image identification method, device, equipment and medium | |
| CN113255766B (en) | Image classification method, device, equipment and storage medium | |
| CN109190676A (en) | model training method, device, equipment and storage medium | |
| CN113837167A (en) | Text image recognition method, device, equipment and storage medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20050717 |