Модификация моделей по типу примет
Обновлено: 08.05.2024
Модель управления запасами должна дать ответ на два вопроса: сколько продукции заказывать и когда заказывать. Однако в действительности имеется значительное число моделей управления запасами, для решения которых используется разнообразный математический аппарат - от простых схем анализа до сложных алгоритмов математического программирования. Такое явление объясняется различным характером спроса (расходования продукции), который может быть детерминированным (достоверным) или вероятностным.
В свою очередь детерминированный спрос может быть статическим, когда интенсивность потребления не меняется во времени, или динамическим, когда достоверный спрос изменяется в зависимости от времени. Вероятностный спрос может быть стационарным, когда плотность вероятности спроса не изменяется во времени, и нестационарным, когда функция плотности вероятности спроса изменяется в зависимости от времени.
Основными признаками классификации моделей управления запасами являются: спрос (расход), параметры пополнения запасов, издержки, связанные с формированием и поддержанием запасов, ограничения и стратегия управления. Согласно предлагаемой классификации различают детерминированные и стохастические (вероятностные) модели управления запасами - в зависимости от действия случайных факторов на параметры системы управления. Если хотя бы один параметр является случайной величиной (процессом), модель будет стохастической, в противном случае - детерминированной.
Наиболее простым является случай детерминированного статического спроса. Однако такой вид потребления продукции встречается очень редко. Примером детерминированного статического спроса может служить потребление сырой нефти на нефтеперерабатывающем заводе. Оно может меняться от одного дня к другому, но эти изменения будут, как правило, столь незначительными, что предположение статичности спроса несущественно искажает действительность.
Наиболее сложной с математической точки зрения является модель, в которой спрос описывается с помощью вероятностных нестационарных распределений. Преимуществом этой модели является наиболее точное отражение характера спроса.
Кроме характера спроса на продукцию при построении модели управления запасами, приходится учитывать и другие факторы:
1) сроки выполнения заказов, т. е. интервал времени между моментом подачи заказа и поступлением заказанной продукции в адрес потребителя. Этот интервал может быть постоянным или носить случайный характер;
2) процесс пополнения запаса, который может быть мгновенным (например, при поступлении заказанной продукции железнодорожным транспортом) или равномерным во времени (например, при поступлении продукции по трубопроводам или от своих же цехов);
3) период времени, в течение которого осуществляется регулирование уровня запаса. В зависимости от отрезка времени, на котором можно надежно прогнозировать, он может быть конечным или бесконечным;
4) число взаимосвязанных пунктов хранения запасов;
5) число видов продукции, когда существует зависимость между различными видами продукции при их хранении в одном складском помещении;
6) наличие ограничений по оборотным средствам и складской площади для хранения поступающей продукции, по заказным и транзитным нормам и др.
Простейшей моделью управления запасами является однопродуктовая статическая модель. В ней спрос принимается постоянным во времени, а пополнение запаса - мгновенным. В данной модели предполагается отсутствие дефицита, а поэтому рассматривается лишь текущий запас, уровень которого колеблется от максимального, равного объему партии в момент ее поступления, до минимального, равного нулю.
Оптимизация текущего запаса заключается в выборе наиболее экономичного размера партии (заказа) . При этом рассматриваются преимущества и недостатки поступления поставки потребителю крупными или мелкими партиями.
Для определения оптимального размера партии поставки все затраты, связанные с материально-техническим снабжением потребителя, следует разделить на две группы:
а) постоянные транспортно-заготовительные расходы в расчете на одну партию поставки (один заказ) продукции;
б) переменные затраты на хранение единицы продукции в запасе.
В классической модели оптимального размера партии поставки дефицит продукции, необходимой для производства, не предусмотрен. Однако в некоторых случаях, когда потери из-за дефицита сравнимы с издержками по содержанию излишних запасов, дефицит допустим. При наличии его модель оптимального размера партии требует учета определенных методических особенностей.
Весь интервал между двумя поставками делится на два периода:
а) время, в течение которого запас на складе имеется в наличии;
б) время, в течение которого запас отсутствует.
Начальный размер запаса в этих условиях принят несколько меньше, чем оптимальный размер партии.
Целевой функцией модели оптимальной партии в данном случае является минимальная сумма транспортно-заготовительных расходов, расходов на содержание запаса и убытка от дефицита в расчете на единицу необходимых для производства материалов.
Информационные системы обеспечивают сбор, хранение, обработку, поиск, выдачу информации , необходимой в процессе принятия решений задач из любой области.
Информационная система - взаимосвязанная совокупность средств, методов и персонала, используемых для хранения, обработки и выдачи информации в интересах достижения поставленной цели.
АИС – это человеко-машинная система, обеспечивающая автоматизированную подготовку, поиск и обработку информации.
Используется в рамках интегрированных сетевых, компьютерных и коммуникативных технологий для оптимизации экономической и другой деятельности в различных сферах управления.
Техническое обеспечение (ТО) - комплекс технических средств, предназначенных для работы информационной системы, а также соответствующая документация на эти средства и технологические процессы.
Информационное обеспечение (ИО) – совокупность единой системы классификации и кодирования информации, унифицированных систем документации, схем информационных потоков, циркулирующих в организации, а также методология построения баз данных.
Назначение ИО состоит в своевременном формировании и выдаче достоверной информации для принятия управленческих решений.
· Системы обработки данных
· Системы бухгалтерского учета и т.д.
Функциональная подсистема Функциональная подсистемаМатематическое и программное обеспечение (МО, ПО) - совокупность математических методов, моделей, алгоритмов и программ для реализации целей и задач информационной системы, а также нормального функционирования комплекса технических средств.
Организационное обеспечение (ОО) -совокупность методов и средств, регламентирующих взаимодействие работников с техническими средствами и между собой в процессе разработки и эксплуатации информационной системы.
Правовое обеспечение (Пр.О) - совокупность правовых норм, определяющих создание, юридический статус и функционирование информационных систем, регламентирующих порядок получения, преобразования и использования информации.
Главная цель Пр.О - укрепление законности.
Модели ИС
Наши представления о реальных системах носят приближенный, модельный характер.
Описывая в какой-либо форме реальную систему, мы создаем ее информационную модель . Существуют различные варианты модельного описания систем.
Модель "Черного ящика"
Всякая система – это нечто цельное и выделенное из окружающей среды. Система и среда взаимодействуют между собой.
Модель "черного ящика" используется в тех случаях, когда внутреннее устройство системы не представляет интереса, но важно описать ее внешние взаимодействия.
В любой инструкции по использованию бытовой техники дается описание работы с ней на уровне входов и выходов: как включить, как регулировать работу, что получим на выходе.
Такое представление может быть вполне достаточным для пользователя данной техникой.
• модель черного ящика компьютера
Разумеется, такой модели недостаточно для того, чтобы понять, как функционирует школа.
И все-таки она дает более подробное представление, чем модель "черного ящика".
Модель состава системы
Модель состава системы дает описание входящих в нее элементов и подсистем, но не рассматривает связей между ними.
Модель состава системы "Школа" Модель состава системы "Школа" Модель состава компьютера Модель состава компьютераСтруктурная модель системы
Такую модель часто называют
структурной схемой.
На структурной схеме отражается состав системы и ее внутренние связи.
Наглядным способом описания структурной модели системы являются графы .
Структурная модель компьютера Структурная модель компьютераЗдесь стрелки обозначают информационные связи между элементами системы. Направление стрелок указывает на направление передачи информации.Граф-модель компьютера (со связью по управлению) Граф-модель компьютера (со связью по управлению)
Структурную модель удобно изображать в виде графа, который отображает элементный состав системы и структуру связей между ее элементами.Местность и автомобильные дороги между группами застроек А, Б, В, Г, Д. Местность и автомобильные дороги между группами застроек А, Б, В, Г, Д.
Это не карта местности. Здесь не выдержаны направления по сторонам света, не соблюден масштаб. На этой схеме отражен лишь факт существования пяти поселков и дорожной связи между ними.
Построение модели для ИС «Студенты»
Модель «черного ящика» Модель «черного ящика» Модель состава системы «Студенты» Модель состава системы «Студенты» Модель структуры системы «Студенты» Модель структуры системы «Студенты»Модель объекта
Она представлена в виде информации, что описывает существенные для конкретного случая параметры и переменные, связи между ними, а также входы и выходы для данных, при подаче на которые можно влиять на получаемый результат. Их нельзя увидеть или потрогать. В целом они не имеют материального воплощения, поскольку строятся на использовании одной информации. Сюда относятся данные, что характеризуют состояния объекта, существенные свойства, процессы и явления, а также связь с внешней средой. Это процесс называется описанием информационной модели. Это самый первый шаг проработки.
Полноценной информационной моделью является обычно сложная разработка , которая может иметь много структур , что в рамках статьи сведены в три основных типа:
1. Описательная . Сюда относятся модели, которые создаются на естественных языках. Они могут иметь любую произвольную структуру, которая удовлетворит составляющего их человека.
2. Формальная . Сюда относят модели, которые создаются на формальных языках (научных, профессиональных или специализированных). В качестве примеров можно привести такое: все виды таблиц, формул, граф, карт, схемы и прочих подобных структурных формаций.
3. Хроматические . Сюда относят модели, которые были созданы с применением естественного языка семантики цветовых концептов, а также их онтологических предикатов. Под последними понимают возможность распознавания значений цветовых канонов и смыслов. В качестве примера хроматических моделей можно навести те, что были построены с использованием соответствующей теоретической базы и методологии.
Основной составляющей являются данные, их структура и процедура обработки . Развивая мысль, можно дополнить, что информационная модель является схемой, в которой описана суть определённого объекта , а также все необходимые для его исследования процедуры . Для более полного описания характеристик используют переменные. Они замещают атрибут цели, которая прорабатывается. И здесь имеет значительную важность структура информационной модели.
Опыт практического применения АИС показал, что наиболее точной, соответствующей самому назначению АИС следует считать классификацию по степени сложности технической, вычислительной, аналитической и логической обработки используемой информации. При таком подходе к классификации можно наиболее тесно связать АИС и соответствующие информационные технологии.
Соответственно можно выделить следующие виды АИС :
· автоматизированные системы обработки данных (АСОД);
· автоматизированные информационно-поисковые системы (АИПС);
· автоматизированные информационно-справочные системы (АИСС);
· автоматизированные информационно-логические системы (АИЛС);
· автоматизированные рабочие места (АРМ);
· автоматизированные системы управления (АСУ);
· автоматизированные системы информационного обеспечения (АСИО);
· экспертные системы (ЭС) и системы поддержки принятия решений.
Методологически важно наряду с рассмотренными моделями среды ИС предложить модель создания ИС, которая имела бы те же аспекты функциональных групп компонентов (пользователи, функции, данные, коммуникации). Такой подход обеспечит сквозной процесс проектирования и сопровождения на всех стадиях эксплуатации ИС, а также возможность обоснованного выбора стандартов на разработку систем и документирование проектов.
Определение " компания " является сложной онтологической (понятийной) структурой , состоящей из определенной совокупности сущностей и взаимосвязей . Взаимодействия между ее элементами, определяемые бизнес-логикой и закрепленные в наборе бизнес-правил , и являются деятельностью компании. Информационная система "отражает" логику и правила, организуя и преобразуя информационные потоки, автоматизирует процессы работы с данными и информацией и визуализирует результаты в виде наборов отчетных форм.
Поэтому для начала следует создать бизнес-модель предприятия, являющуюся отображением предприятия и его информационно-управляющей системы.
При создании модели формируется "язык общения" руководителей предприятия, консультантов, разработчиков и будущих пользователей, позволяющий выработать единое представление о том, ЧТО и КАК должна делать система управления предприятием (корпоративная система управления).
Очень часто в комментариях под статьями о новых коллекциях знаменитых дизайнеров можно встретить недоуменные возгласы: «Для кого эта мода?», «Куда это носить?» и даже безапелляционные «фи, ужас, уродство».
А я в ответ молча недоумеваю от таких реакций. То, что демонстрируют нам модели на подиуме – это творчество, полет фантазии людей, посвятивших себя моде и, собственно, эту моду создающих.
Да, высокая мода не всегда понятна нам, простым обывателям. Но это не значит, что абсолютно все, что представляют модные дома, непригодно для повседневной жизни обычных людей.
Я собрала для вас образы из новых коллекций модельеров с мировым именем, которые запали мне в душу. Это довольно лаконичные, абсолютно понятные и носибельные аутфиты, которые, я надеюсь, понравятся и вам.
Давайте получать эстетическое наслаждение от работ великих кутюрье! Не все ж носики морщить=)
1. Расслабленный городской образ от итальянского дизанейра Alberta Ferretti . Максимум свободы и комфорта для активной жизни.
2. Похожий образ нашелся в коллекции француженки Isabel Marant . Изящное цветовое решение и нотки ретро.
3. Сочный комплект от американского дизайнера Kate Spade . Джемперы-поло вновь возвращаются на модную арену. А вот две сумки в одном образе - "фишка" нового сезона.
Советую посмотреть всю коллекцию полностью - глаз не оторвать!
5. Весенне-летняя коллекция Burberry - воплощение элегантности! Бургунди и нежно-голубой - идеальная комбинация.
Одежда из кожа - на пике популярности.
6. И снова кожа. Умопомрачительное платье от Hugo Boss . Интересное сочетание цветовых блоков притягивает внимание.
7. Нежная дымка из коллекции Christian Dior . Микс жакета, перепоясанного ремнем и юбки-миди, воздушные ткани, сетка и ставшая культовой сумка-седло - такое количество трендов в одном образе впечатляет!
8. Костюм песочного цвета от корейского бренда Eudon Choi . Кстати, жакеты с короткими рукавами и обозначенной талией встречаются во многих коллекциях весна-лето 2019.
9. Эффектный комбинезон от талантливой Alexa Chung . В комбинезоне тоже можно выглядеть женственно и элегантно!
10. Еще одна восхитительная коллекция от Hermes . Идеально до мельчайших деталей!
Активные модели внешнего вида (Active Appearance Models, AAM) — это статистические модели изображений, которые путем разного рода деформаций могут быть подогнаны под реальное изображение. Данный тип моделей в двумерном варианте был предложен Тимом Кутесом и Крисом Тейлором в 1998 году [1]. Первоначально активные модели внешнего вида применялись оценки параметров изображений лиц, но затем они стали активно применяться и в других областях, в частности, в медицине при анализе рентгеновских снимков и изображений, полученных с помощью магнито-резонансной томографии.
В данной статье рассматривается краткое описание того, как функционируют активные модели внешнего вида и связанного с этим математического аппарата, а также приводится пример их реализации.
Общие сведения об активных моделях внешнего вида
На протяжении последних лет математический аппарат активных моделей внешнего вида активно развивался и на данный момент можно выделить 2 подхода к построению подобных моделей: классический (тот, что был предложен Кутесом изначально) и на основе так называемой обратной композиции (предложен Мэтьюсом и Бейкером в 2003 году [2]).
Рассмотрим сначала общие части двух подходов. В активных моделях внешнего вида моделируются два типа параметров: параметры, связанные с формой (параметры формы), и параметры, связанные со статистической моделью изображения или текстурой (параметры внешнего вида). Перед использованием модель должна быть обучена на множестве заранее размеченных изображений. Разметка изображений производится вручную или в полуавтоматическом режиме, когда с помощью какого-либо алгоритма находятся приближенные расположения меток, а затем они уточняются экспертом. Каждая метка имеет свой номер и определяет характерную точку, которую должна будет находить модель во время адаптации к новому изображению. Пример подобной разметки (база лиц XM2VTS) показан на рисунке ниже.
В представленном примере на изображении отмечены 68 меток, образующих форму модели активного внешнего вида. Эта форма обозначает внешний контур лица, контуры рта, глаз, носа, бровей. Данный характер разметки позволяет в дальнейшем определить различные параметры лица по его изображению, которые могут быть использованы для дальнейшей обработки другими алгоритмами. Например, это могут быть алгоритмы идентификации личности, аудио-визуального распознавания речи, определения эмоционального состояния субъекта.
Процедура обучения активных моделей внешнего вида начинается с нормализации положения всех форм для того, чтобы компенсировать различия в масштабе, наклоне и смещении. Для этого используется так называемый обобщенный Прокрустов анализ. Здесь мы не будем приводить его подробное описание, а интересующийся читатель может ознакомиться с соответствующей статьей в Википедии. Вот как выглядит множество меток до и после нормализации (согласно [3]).
После того, как все формы нормированы, из составляющих их точек формируется матрица , где . После выделения главных компонент указанной матрицы получаем следующее выражение для синтезированной формы:
.
Здесь — форма, усредненная по всем реализациям обучающей выборки (базовая форма), — матрица главных векторов, — параметры формы. Приведенное выражение означает, что форма может быть выражена как сумма базовой формы и линейной комбинации собственных форм, содержащихся в матрице . Изменяя вектор параметров мы можем получать разного рода деформации формы для подгонки ее под реальное изображение. Ниже показан пример такой формы [7]. Синими и красными стрелками показаны направления главных компонент.
Следует отметить, что различают модели активного внешнего вида с жесткой и не жесткой деформацией. Модели с жесткой деформацией могут подвергаться только аффинным преобразованиям (поворот, сдвиг, масштабирование), в то время как модели с не жесткой деформацией могут подвергаться и другим видам деформаций. На практике используется комбинация обоих видов деформаций. В этом случае к параметрам формы добавляются еще и параметры расположения (угол поворота, масштаб, смещение или коэффициенты аффинного преобразования).
Процедура обучения для компонентов внешнего вида выполняется после того, как вычислены компоненты формы (базовая форма и матрица главных компонент). Процесс обучения здесь состоит из трех шагов. На первом шаге выполняется извлечение из обучающих изображений текстур, которые наилучшим образом соответствуют базовой форме. Для этого выполняется триангуляция меток базовой формы и формы, состоящей из меток обучающего изображения. Затем с помощью кусочной интерполяции выполняется отображение полученных в результате триангуляции регионов обучающего изображения в соответствующие регионы формируемой текстуры. В качестве примера на рисунке ниже показан результат такого преобразования для одного из изображений базы IMM.
После того, как все текстуры сформированы, на втором шаге производится их фотометрическая нормализация для того, чтобы компенсировать различные условия освещения. В настоящее время разработано большое число методов, позволяющих это сделать. Самый простой из них — вычитание среднего значения и нормализация дисперсии яркости пикселей.
Наконец на третьем шаге, из текстур формируется матрица, такая что, каждый ее столбец содержит значения пикселей соответствующей текстуры (аналогично матрице ). Стоит отметить, что используемые для обучения текстуры могут быть как одноканальными (градации серого), так и многоканальными (например, пространство цветов RGB или другое). В случае многоканальных текстур векторы пикселов формируются отдельно по каждому из каналов, а потом выполняется их конкатенация. После нахождения главных компонент матрицы текстур получаем выражение для синтезированной текстуры:
.
Здесь — базовая текстура, полученная усреднением по всем текстурам обучающей выборки, — матрица собственных текстур, — вектор параметров активного внешнего вида. Ниже показан пример синтезированной текстуры [7].
На практике для уменьшения эффекта переобучения модели в матрицах главных компонент оставляют только 95-98% наиболее значимых векторов. Причем это число может быть различным для главных компонент формы и главных компонент внешнего вида. Уточненные цифры могут быть выбраны уже в процессе экспериментальных исследований или при тестировании модели с помощью процедуры кросс-валидации.
На этом общая часть у разных видов активных моделей внешнего вида заканчивается и теперь мы рассмотрим различия двух подходов.
Классическая активная модель внешнего вида
В модели этого типа нам необходимо также вычислить вектор комбинированных параметров, который задается следующей формулой:
.
Здесь — диагональная матрица весовых значений, которая позволяет уравновесить вклад расстояний между пикселами и интенсивностей пикселов. По каждому элементу обучающей выборки (паре текстура-форма) вычисляется свой вектор . Затем полученный набор векторов объединяется в матрицу и находятся ее главные компоненты. В этом случае синтезированный вектор объединенных параметров формы и текстуры определяется следующим выражением:
.
Здесь — матрица главных компонент объединенных параметров, — вектор комбинированных параметров внешнего вида. Отсюда мы можем получить новые выражения для синтезированной формы и текстуры:
.
На практике матрица также подвергается удалению шумовых компонент для снижения эффекта переобучения и уменьшения количества производимых вычислений.
После того, как вычислены параметры формы, внешнего вида и комбинированные параметры нам необходимо найти так называемую матрицу предсказания , которая в смысле минимума среднеквадратичной ошибки удовлетворяла бы следующему линейному уравнению:
.
Здесь , а — возмущение вектора положения и комбинированных параметров внешнего вида. Разработаны различные методы для решения указанного выше уравнения. Подробное их рассмотрение проведено в работах [3 — 6].
- На основе начального приближения вычисляются все параметры модели и аффинные преобразования формы;
- Вычисляется вектор ошибки . Извлечение текстуры из анализируемого изображения происходит с помощью его кусочной деформации;
- Вычисляется вектор возмущений ;
- Проводится обновление вектора комбинированных параметров и аффинных преобразований путем суммирования текущих их значений с соответствующими компонентами вектора возмущений;
- Проводится обновление формы и текстуры;
- Переходим к выполнению пункта 2 до тех пор, пока не достигнем сходимости.
Были предложены различные модификации и улучшения этого алгоритма, но его общая структура и суть остаются прежними.
Приведенный выше алгоритм достаточно эффективен, однако он имеет достаточно серьезный недостаток, который ограничивает его применение в приложениях реального времени: он медленно сходится и требует большого объема вычислений. Для преодоления указанных недостатках в [2, 7] был предложен новый тип активных моделей внешнего вида о которых пойдет речь в следующем разделе.
Активная модель внешнего вида обратной композиции
Мэтьюс и Бейкер предложили эффективный в вычислительном плане алгоритм адаптации активной модели внешнего вида, который зависит только от параметров формы (так называемая «project-out» модель). За счет этого удалось существенно повысить его быстродействие. Алгоритм адаптации, в основу которого был положен подход Лукаса-Канаде, использует метод Ньютона для поиска минимума функции ошибки.
Алгоритм Лукаса-Канаде пытается найти локально наилучшее соответствие в смысле минимум среднеквадратичной ошибки между шаблоном и реальным изображением. При этом шаблон подвергается деформации (аффинной и/или кусочной) задаваемой вектором параметров , которая отображает его пикселы на пикселы реального изображения.
Непосредственное нахождение параметров является задачей нелинейной оптимизации. Для ее решения линейными методами алгоритм Лукаса-Канаде предполагает, что начальное значение параметров деформации известно и затем итеративно находит приращения параметров , обновляя на каждой итерации вектор .
Активная модель внешнего вида обратной композиции использует аналогичный подход для обновления собственных параметров во время процесса адаптации за исключением того, что деформации подвергается не базовая текстура , а анализируемое изображение.
На этапе обучения активной модели внешнего вида обратной композиции вычисляются так называемые изображения наискорейшего спуска и их гессиан. Адаптация модели происходит сходным с классической моделью внешнего вида образом за исключением того, что в данном случае происходит только обновление параметров формы и (опционально) параметров расположения.
Стоит отметить, что Мэтьюс и Бейкер предложили большое количество возможных вариаций, обладающих различными свойствами разработанных ими моделей. Заинтересованный читатель может обратиться к работам [2, 7 — 9] для более подробного ознакомления.
Программная реализация
Для практической реализации и исследования указанных выше алгоритмов обучения и адаптации активных моделей внешнего вида автором была разработана специализированная программная библиотека под названием AAMToolbox. Библиотека распространяется под лицензией GPLv3 и предназначена для использования исключительно в некоммерческих и исследовательских целях. Исходные коды доступны по данной ссылке.
Для сборки AAMToolbox требуется библиотеки OpenCV 2.4, boost 1.42 или выше, IDE NetBeans 6.9. На данный момент поддерживаются ОС Ubuntu Linux версий 10.04 и 10.10. Работоспособность и собираемость на других платформах не проверялась.
В AAMToolbox реализованы алгоритмы работы как с классической активной моделью внешнего вида, так и с активной моделью внешнего вида обратной композиции. Доступ к обоим типам алгоритмов осуществляется через единый интерфейс, который обеспечивает тренировку модели на заданной обучающей выборке, сохранение и восстановление из файла обученной модели, адаптацию модели к реальному изображению. Поддерживаются как цветные изображения (в трехканальном цвете), так и изображения в градациях серого.
Для того, чтобы обучить модель необходимо вначале подготовить обучающую выборку. Выборка должна состоять из двух типов файлов. Первый тип — это собственно изображения, по которым будет обучаться модель. Файлы второго типа являются текстовыми файлами разметки и содержат метки форм обозначенных на соответствующих изображениях обучающей выборки. Ниже приведен фрагмент такого файла.
Здесь первый столбец — номер метки, второй столбец X-координата метки, третий столбец Y-координата метки. Каждому изображению должен соответствовать свой файл разметки.
Код обучения активной модели внешнего вида довольно прост.
В результате выполнения представленного фрагмента кода позволяет обучить активную модель внешнего вида заданного типа и сохранить ее в файл. Стоит отметить, что во время обучения все данные, в том числе и изображения, находятся в оперативной памяти, поэтому при загрузке большого числа изображений (несколько сотен) следует позаботиться о том, чтобы было доступно достаточное ее количество (2 — 3 Гб). В качестве примера кода, который проводит процедуру обучения для разных типов активных моделей внешнего вида можно посмотреть юнит-тест «AAM Estimator test» проекта библиотеки. Если его запустить на выполнение, то он обучит и сохранит в соответствующие файлы модели каждого из поддерживаемых типов в варианте для цветных изображений и градаций серого (всего 4 различных модели).
Код адаптации активной модели внешнего вида к изображению будет выглядеть следующим образом:
Для того, чтобы посмотреть демонстрацию работы алгоритмов адаптации активных моделей внешнего вида, необходимо запустить юнит-тесты «Aply model test» и «Aply model IC test», которые проводят адаптацию к изображению моделей поддерживаемых типов. На рисунке ниже показан пример одного из получаемых результатов.
Указанные тесты наглядно демонстрируют различие в скорости сходимости классической активной модели внешнего вида и активной модели внешнего вида обратной композиции. Однако к недостатку последней можно отнести расходимость алгоритма ее адаптации в некоторых случаях. Для его устранения предложено несколько подходов, но в рассматриваемой библиотеке AAMToolbox (по крайней мере на данный момент) они не реализованы.
Заключение
В статье были кратко рассмотрены активные модели внешнего вида и связанные с ними основные понятия и математический аппарат. Также рассмотрена разработанная автором программная библиотека AAMToolbox, реализующая изложенные в статье алгоритмы. Приведены примеры ее использования.
За кадром остались трехмерные модели активного внешнего вида и связанные с ними алгоритмы. Возможно они будут рассмотрены в следующих статьях.
Читайте также: