Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://earchive.tpu.ru/handle/11683/75086
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Марков, Николай Григорьевич | ru |
dc.contributor.author | Мунько, Александр | ru |
dc.date.accessioned | 2023-05-25T04:07:08Z | - |
dc.date.available | 2023-05-25T04:07:08Z | - |
dc.date.issued | 2023 | - |
dc.identifier.citation | Мунько А. Детектирование летающих объектов с помощью свёрточных нейронных сетей класса YOLO : магистерская диссертация / А. Мунько ; Национальный исследовательский Томский политехнический университет (ТПУ), Инженерная школа информационных технологий и робототехники (ИШИТР), Отделение информационных технологий (ОИТ) ; науч. рук. Н. Г. Марков. — Томск, 2023. | - |
dc.identifier.uri | http://earchive.tpu.ru/handle/11683/75086 | - |
dc.description.abstract | Описываются разработка и исследование моделей сверточных нейронных сетей (СНС) класса YOLO для детектирования летающих объектов различных размеров на изображениях и осуществлен в результате исследований выбор наиболее эффективных моделей СНС для создания мобильных систем компьютерного зрения (СКЗ) реального времени. Сформированы четыре датасета на основе изображений летающих объектов четырех классов и разработаны, программно–реализованы и обучены с их помощью три компактные модели СНС и предложенная новая модель СНС на основе модели YOLOv5 Small. Проведены комплексные исследования обученных моделей СНС, позволившие оценить их эффективность. Разработаны рекомендации по использованию наиболее эффективных моделей СНС при создании мобильных СКЗ реального времени. | ru |
dc.description.abstract | The paper describes the development and study of YOLO class convolutional neural network (CNN) models for detecting flying objects of different sizes on the images, and the selection of the most effective CNN models for creating mobile computer vision (CV) systems in real time is carried out as a result of the research. Four datasets were created based on the images of flying objects of four classes, and three compact models of CNN and the proposed new CNN model based on the YOLOv5 Small model were developed, implemented and trained using them. Comprehensive studies of trained CNN models have been conducted, which allowed evaluating their effectiveness. Recommendations have been developed for the use of the most effective CNN models in creating mobile real-time CV systems. | en |
dc.format.mimetype | application/pdf | - |
dc.language.iso | ru | en |
dc.rights | info:eu-repo/semantics/openAccess | - |
dc.subject | детектирование летающих объектов на изображениях | ru |
dc.subject | сверточная нейронная сеть класса YOLO | ru |
dc.subject | датасет | ru |
dc.subject | мобильная система компьютерного зрения | ru |
dc.subject | машинное обучение | ru |
dc.subject | flying object detection on images | en |
dc.subject | YOLO class convolutional neural network | en |
dc.subject | dataset | en |
dc.subject | mobile computer vision system | en |
dc.subject | machine learning | en |
dc.title | Детектирование летающих объектов с помощью свёрточных нейронных сетей класса YOLO | ru |
dc.type | Students work | - |
local.department | Национальный исследовательский Томский политехнический университет (ТПУ)::Инженерная школа информационных технологий и робототехники (ИШИТР)::Отделение информационных технологий (ОИТ) | - |
local.institut | 7950 | - |
local.localtype | Студенческая работа | - |
local.thesis.level | Магистр | ru |
local.local-vkr-id | 1265045 | - |
local.vkr-id | 52118 | - |
local.stud-group | 8ВМ1И | - |
local.lichnost-id | 180692 | - |
local.thesis.level-id | 3 | - |
local.tutor-lichnost-id | 59202 | - |
dc.subject.udc | 004.032.26:004.93`1 | - |
Располагается в коллекциях: | Магистерские диссертации |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
TPU1452858.pdf | 2,79 MB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.