Найти

Результаты поиска

• РАЗРАБОТКА И ИССЛЕДОВАНИЕ МОДЕЛИ КЛАССИФИКАЦИИ ВИДЕОИНФОРМАЦИИ

  А.Г. Слепцов, И. С. Берешполов, Ю.А. Кравченко

  2023-08-14

  Аннотация ▼

  Статья посвящена решению научной задачи классификации видеоконтента в услови-
  ях увеличения объемов информации. Компьютерное зрение является весьма актуальной
  областью применения технологий искусственного интеллекта для расширения возможно-
  стей различных поисковых и архивных систем. Авторами даны определения основным
  терминам исследуемой предметной области. Представлена формализованная постановка
  решаемой задачи. Приведена развернутая классификация возможных вариантов решения
  поставленной задачи. С быстрым развитием информационных технологий цифровой кон-
  тент демонстрирует тенденцию к взрывному росту. Классификация спортивных видео
  имеет большое значение для архивирования цифрового контента на сервере. Многие алго-
  ритмы интеллектуального анализа данных и машинного обучения достигли больших успе-
  хов во многих областях для применения (таких как классификация, регрессия и кластериза-
  ция). Однако большинство этих алгоритмов имеют общий недостаток, когда обучающая
  и тестовая выборки находятся в одном и том же пространстве признаков и подчиняются
  одному и тому же распределению. В этой статье рассматривается значимость решения
  задачи классификации видео и автоматического аннотирования содержания видеоинфор-
  мации, а также разработана модель на основе глубокого обучения и больших данных.
  В рамках данного исследования авторами была разработана модель, которая повышает
  качество классификации видео, что позволяет улучшить результаты поиска. Результа-
  ты вычислительного эксперимента показывают, что предложенная модель может э ф-
  фективно использоваться для распределения по классам видео событий в рамках спо р-
  тивной предметной области на основе применения сверточной нейронной сети. При
  этом, обеспечивается высокая точность классификации видео спортивных тренировок.
  По сравнению с другими моделями предлагаемая имеет преимущества простой реализа-
  ции, быстрой скорости обработки, высокой точности классификации а также высокой
  способности к обобщению.

• АЛГОРИТМ КЛАСТЕРИЗАЦИИ ДАННЫХ ДЛЯ ЗАЩИТЫ КОНФИДЕНЦИАЛЬНОЙ ИНФОРМАЦИИ В СЕТИ ИНТЕРНЕТ

  И. С. Берешполов , Ю.А. Кравченко , А. Г. Слепцов

  2023-08-14

  Аннотация ▼

  Статья посвящена решению научной задачи защиты конфиденциальной информации
  в сети Интернет на основе алгоритма кластеризации значительных объемов данных. За-
  щита конфиденциальной информации компьютерной сети является актуальной темой для
  исследований, особенно в связи с растущим использованием информационных технологий и
  увеличением объема данных ценной информации, хранящейся в Интернете. С ростом ин-
  формационной ответственности необходимость в эффективных методах информационной безопасности компьютерных сетей стала критически важной. В данной научной ста-
  тье авторы предлагают решение задачи защиты конфиденциальной информации компью-
  терных сетей на основе алгоритма кластеризации больших данных. Традиционные методы
  обнаружения вторжений имеют такие ограничения, как способность работать только с
  одно- или двумерными данными, а также имеют сильную зависимость от предваритель-
  ных знаний. Авторы для устранения этих ограничений предлагают эвристический алго-
  ритм обнаружения вторжений, который использует кластеризацию на основе облачной
  модели. Предлагаемый алгоритм использует преимущества как маркированных, так и не-
  маркированных образцов для кластеризации данных, тем самым уменьшая зависимость от
  априорных знаний. Результаты вычислительного эксперимента, проведенного на предло-
  женном алгоритме, сравнивались с несколькими каноническими алгоритмами обнаружения
  вторжений. Результаты показали, что предложенный алгоритм улучшил производитель-
  ность системы обнаружения вторжений, повысил точность обнаружения, снизил часто-
  ту ложных тревог и усилил надежность системы. Метод динамического взвешивания,
  используемый в алгоритме, устранил сложность высокоуровневой обработки данных и
  позволил алгоритму самообучаться, что привело к формированию относительно стабиль-
  ной облачной модели. Несмотря на значительное улучшение производительности предло-
  женного алгоритма по сравнению с каноническими алгоритмами кластеризации, резуль-
  таты исследования также показали, что у алгоритма есть некоторые ограничения, та-
  кие как высокий процент ложных срабатываний и чувствительность к данным с опреде-
  ленными видами распределения. Для устранения этих недостатков необходимо дальнейшее
  усовершенствование алгоритма. В целом, предложенный эвристический алгоритм обна-
  ружения вторжений с кластеризацией на основе облачной модели представляет собой
  перспективное решение для защиты конфиденциальной информации компьютерных сетей.