ГИБРИДНЫЙ КЛАССИФИКАТОР ДЛЯ ЗАДАЧ ПРОФОРИЕНТАЦИОННОГО ТЕСТИРОВАНИЯ
Аннотация и ключевые слова
Аннотация (русский):
Профориентационное тестирование предполагает наличие нескольких типов индивидов, а в случае, когда выходными данными тестирования являются изображения, характеризующие те или иные качества испытуемых, - нескольких типов (классов) изображений. Классы изображений включают выделенные искомые элементы, по наличию которых и определяется принадлежность изображения к тому или иному выделенному типу (классу). Имеется программный модуль ColourUnique M, позволяющий автоматизировать процесс тестирования и сохранения тестовых форм. Функции классификатора пока выполняет эксперт (педагог или психолог), что подразумевает погрешности оценки результата в силу индивидуальных особенностей человеческого восприятия, что может негативно сказаться на достоверности классификации. В статье рассмотрены два алгоритма оценки изображений (готовых тестовых форм), один из которых является нейросетевым, второй – алгоритм фильтрации с жестко обозначенными областями определения искомых элементов. При реализации указанных алгоритмов возник ряд проблем. Классификатор создается с целью повышения точности классификации как в сравнении с экспертной оценкой, так и с первыми полученными экспериментальными данными. Для достижения наиболее достоверных результатов классификации, авторами рассматривается возможность реализации гибридного классификатора для задач профориентации.

Ключевые слова:
нейросеть, алгоритм, классификация, распознавание элементов, фильтр
Текст
Текст произведения (PDF): Читать Скачать
Список литературы

1. Tsvetkov A. A. Algorithms for object recognition / A. A. Tsvetkov, D. K. Shorokh, M. G. Zubareva [et al.] / / Technical Sciences: problems and prospects: materials of the IV international conference. nauch. konf. - Saint Petersburg: Its publishing house, 2016. - P. 20-28. - URL: https://moluch.ru/conf/tech/archive/166/10825/ (accessed: 08.05.2020).

2. Proforientator.ru Career guidance tests [Electronic resource]: Website - https://proforientator.ru/tests/ (accessed 26.05.2020).

3. Tarasova, I.S. Implementation of algorithms of image analysis in the software package ColourUniquePRO with the aim of increasing the accuracy of classification types individuals / I.S. Tarasova, A.V. Chechin, V.V. Andreev // Computer Graphics and Vision. Proceedings of the 29th International Conference on Computer Graphics and Vision. Bryansk, Russia, September 23-26, 2019. - pp.189-193.

4. Utrobin, V. A. Computer image processing. Information models of the understanding stage: studies.manual / V. A. Utrobin. - N. Novgorod: NSTU, 2006. - 247 p.

5. Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam. MobileNets: Efficient Convolutional Neural Networks for Mobile VisionApplications. arXiv:1704.04861v1, 2017. - https://arxiv.org/pdf/1704.04861.pdf.

6. Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich. Going deeper with convolutions. arXiv:1409.4842v1, 2014. - https://arxiv.org/pdf/1409.4842.pdf.

7. Olaf Ronneberger, Philipp Fischer, and Thomas Brox. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv:1505.04597v1, 2015. - https://arxiv.org/pdf/1505.04597.pdf.

8. Wikipedia. Stochastic gradient descent. [Electronic resource]: Website - wikipedia.org.

9. Keras-Open neural network library - https://keras.io/. (accessed: 08.05.2020).

10. Open CV-computer vision Library - https://opencv.org/.(date accessed: 08.05.2020).

11. Topunov, V.L. Combinatorics. Workshop on solving problems: textbook / V.L.Topunov; edited by V.I. Nechaev, V.G. Chirsky. - 2nd ed. - Moscow: MPSU, 2016. - 88 p.

12. Andreev V.V. Problems and prospects of implementation of the algorithm of classification of test forms of the color Unique Pro software complex / V.V. Andreev, I.S. Tarasova, A.V. Chechin / / Information systems and technologies-2020: [Electronic resource]: collection of materials of the XXVI International scientific and technical conference-Electron. Dan - N. Novgorod: NSTU, 2020. - P. 913-918. - URL: https://www.nntu.ru/frontend/web/ngtu/files/news/2020/05/12/ist2020/sbornik_ist2020.pdf

Войти или Создать
* Забыли пароль?