СРАВНИТЕЛЬНЫЙ АНАЛИЗ АДАПТИВНЫХ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ С СОВРЕМЕННЫМИ МЕТОДАМИ МАШИННОГО ГЛУБОКОГО ОБУЧЕНИЯ
Article Sidebar
Main Article Content
Abstract
В работе рассматривается эволюция методов распознавания образов от классических алгоритмических подходов конца XX века до современных методов машинного и глубокого обучения. Особое внимание, уделяется «Адаптивным алгоритмам вычисления оценок в задачах распознавания образов: на примере медицинской диагностики». Проводится сопоставление идеи адаптивного вычисления оценок с современными направлениями: машинным обучением, обучением представлений, transfer learning, self-supervised learning, глубокими нейронными сетями, Transformer-архитектурами, domain adaptation и непрерывным обучением.
Показано, что непосредственная математическая преемственность между классическими алгоритмами и современными нейронными архитектурами отсутствует, однако существует важная концептуальная общность: стремление сделать процедуру распознавания не полностью фиксированной, а способной учитывать свойства поступающих данных. Для медицинской диагностики эта идея приобретает особое значение в связи с необходимостью адаптации моделей к различным типам данных, медицинским учреждениям, диагностическому оборудованию и изменениям распределения признаков.
Downloads
Article Details
Section
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
How to Cite
References
Адылова Ф. Т. Адаптивный выбор опорных множеств в методе вычисления оценок. Докл. Академии наук Узбекистана, №3
Абдукаримов А. Адаптивные алгоритмы вычисления оценок в задачах распознавания образов. МОНОГРАФИЯ, стр 78, Джизак 2023.
Абдукаримов А. Адаптивные алгоритмы вычисления оценок в задачах распознавания образов: на примере медицинской диагностики: автореферат диссертации на соискание учёной степени кандидата технических наук. Ташкент, 1991. 20 с. Российская государственная библиотека.
Zeng X., Abdullah N., Sumari P. Self-supervised learning framework application for medical image analysis: a review and summary. BioMedical Engineering OnLine, 2024.
A survey of the impact of self-supervised pretraining for diagnostic tasks in medical X-ray, CT, MRI, and ultrasound. BMC Medical Imaging, 2024.
A review of deep learning and Generative Adversarial Networks applications in medical image analysis. Multimedia Systems, 2024.
Deep learning for medical image segmentation: State-of-the-art advancements and challenges. Informatics in Medicine Unlocked, 2024.
Chen X. et al. Dual Adaptive Disentangled Representation Learning With Multimodal Data for Disease Diagnosis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026.
Artificial Intelligence and Machine Learning in Diagnostic Radiology: A Paradigm Shift Toward Predictive Neuroimaging and Early Detection of Brain Disorders, 2026.