Как это работает


Современные подходы с использованием сверточных нейронных сетей позволяют добиться отличных результатов в условиях хорошего качества исходных данных, однако значительно теряют в качестве для зашумленных данных (расфокусировка, смазывание и другие виды шумов). Мы построили собственные алгоритмы распознавания таких зашумленных образов, используя мат. аппарат на основе вложенных цепей Маркова и случайных метрических пространств.


В отличие от большинства методов машинного обучения для нас большая размерность признаковых пространств является не трудностью («проклятие размерности»), а, наоборот, возможностью добиться новых результатов.

Какой результат


Для известной базы рукописных цифр MNIST мы создаем программную систему, позволяющую держать уровень ошибки (error rate) распознавания на низком (до 20%) уровне даже при интенсивности шума в исходных данных 50-60%.



Примеры цифр "MNIST"


Контакты

Напишите нам