Метод максимально правдоподобного перебора в задаче классификации кусочно-однородных объектов

Исследуется задача распознавания составных объектов на основе вероятностной модели кусочно-однородного объекта при наличии тысяч альтернативных классов. Используя асимптотические свойства модели, разработан новый метод максимально правдоподобного перебора, который является оптимальным (в смысле выбора для проверки на каждом этапе максимально правдоподобного эталона) среди класса “жадных” алгоритмов приближенного поиска ближайшего соседа. Приведены результаты эксперимента в задаче распознавания лиц из базы данных FERET. Продемонстрировано, что предложенный подход позволяет в несколько раз снизить время принятия решений по сравнению не только с полным перебором, но и с известными методами приближенных ближайших соседей.