Кластеризация последовательностей видеоданных на основе гармонических k-средних

• Опубліковано в: : Кибернетика и системный анализ
• Дата: 2019
• Автори: Машталир, С.В., Столбовой, М.И., Яковлев, С.В.
• Формат: Стаття
• Мова: Russian
• Опубліковано: Інститут кібернетики ім. В.М. Глушкова НАН України 2019
• Теми: Кібернетика
• Онлайн доступ: https://nasplib.isofts.kiev.ua/handle/123456789/180846
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Кластеризация последовательностей видеоданных на основе гармонических k-средних / С.В. Машталир, М.И. Столбовой, С.В. Яковлев // Кибернетика и системный анализ. — 2019. — Т. 55, № 2. — С. 36-43. — Бібліогр.: 22 назв. — рос.

Работа посвящена сегментации кластеризации видеопоследовательностей с помощью анализа многомерных временных последовательностей. Предложен подход к использованию глубокой итеративной временной деформации совместно с матричным методом гармонических k-средних. Такая процедура сегментации кластеризации в отличие от традиционного подхода нечувствительна к начальному выбору центроидов, что особенно удобно в условиях анализа произвольных данных больших объемов. Розглянуто сегментацію кластеризацію відеопослідовностей за допомогою аналізу багатовимірних часових послідовностей. Запропоновано підхід для використання глибокої ітеративної часової деформації разом з матричним методом гармонічних k-середніх. Така процедура сегментації кластеризації на відміну від традиційного підходу не є чутливою до початкового вибору центроїдів, що особливо зручно в умовах аналізу довільних даних великих обсягів. The study is devoted to segmentation–clustering of video sequences by the analysis of multidimensional time sequences. An approach is proposed for using an iterative deepening time warping in conjunction with the matrix harmonic k-means. This segmentation-clustering procedure, unlike the traditional approach, is insensitive to the initial centroids selection, which is especially useful in the analysis of arbitrary mass data.