Теория и техника экспериментальных исследований: Методы и техника измерений

125 Модели типа CNN обычно обучаются на синтетических изображе - ниях . Негативной стороной такого подхода является вероятность расхождения между заложенными в модель критериями и реаль - ными условиями измерений , так как реальные физические процес - сы очень разнообразны , и при выполнении измерений может ме - няться , например , концентрация трассеров или одна и та же группа трассеров может иметь различную освещенность при движении в пространстве . Результатом расхождения между моделью с кон - тролируемой схемой обучения и реальным процессом может быть сдвиг между наборами данных обучения и выходными данными ( прогнозом ). При неконтролируемом обучении эталонные данные для модели не требуются . Иначе говоря , такие модели могут обу - чаться непосредственно на реальных экспериментальных данных и , соответственно , потребность в общих наборах синтетических изображений может быть снижена . Проблемой неконтролируемых моделей является нетривиальность решаемой задачи и отсутствие ясности постановки задачи , характерной для контролируемого обучения . Постановка задачи для алгоритмов оптического потока более очевидна , но даже она в случае неконтролируемого обучения нуж - дается в контроле потерь , что также влияет на время расчета . Ти - пичные функции потерь оптического потока при неконтролируе - мом обучении включают : фотометрические потери , согласован - ность прямого / обратного потоков , дискретизированную гладкость и условия самоконтроля . Сумма этих слагаемых , умноженных на индивидуальные весовые коэффициенты , позволяет определить итоговое значение потерь или точность прогнозирования результата . Для определения фотометрических потерь принято рассмат - ривать потери Шарбонье , показатель структурного индекса подо - бия и потери тернарной переписи : • потери Шарбонье – отвечают за сохранение краев при об - работке изображений ;