经济学院(HSE大学)教授Andrey Savchenko开发了一种有助于增强视频图像识别的方法。在他的项目中，网络由新算法教授，现在它可以比以前快10倍地决定图像识别和分类。该研究发表在《信息科学》发表的论文《基于距离因子深度特征的多类图像识别中的序贯三向决策》中。

很久以前，神经网络学会了在视频中识别人和动物。人工神经元可以通过记住图像中物体的样子来学习。通常，研究人员使用开放的照片数据库(例如，ImageNet、local等)。)并用它来教授神经网络。为了加快决策过程，我们的算法被设置为只选择一些样本图像或关注有限数量的特征。当不同类别的对象在同一张照片中时，可能会出现复杂的情况，并且每个类别中只有几个训练样本。

通过应用顺序三向决策方法，新算法现在可以在不显著降低精度的情况下识别图像。通过这种方法，神经网络可以分析简单的图像，从而获得清晰可辨的物体，而难以识别的物体可以得到更详细的检查。

“每张照片都可以用成千上万个特征来描述。因此，将给定输入图像的所有特征与基本训练示例的特征进行比较没有太大意义，因为大多数样本与分析的样本不相似。所以我们一开始只比较了一些重要的特性，把训练的例子放在一边，显然不可能是最终的解决方案。因此，训练样本变小，只留下几个例子。在下一阶段，我们将增加剩余图像中的特征数量，然后重复这一过程，直到只剩下一类，”Savchenko教授指出。

与传统分类器和已知的多类序贯三向决策相比，该方法将识别时间缩短了1.5-10倍。因此，这项技术将来可以用于移动设备和其他基础设备。