Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/10742
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Гришкин Валерий Михайлович | ru_RU |
dc.contributor.author | Мозин Виталий Романович | ru_RU |
dc.contributor.author | Mozin Vitalii | en_GB |
dc.contributor.editor | Веремей Евгений Игоревич | ru_RU |
dc.contributor.editor | Veremei Evgenii Igorevich | en_GB |
dc.date.accessioned | 2018-07-25T20:11:02Z | - |
dc.date.available | 2018-07-25T20:11:02Z | - |
dc.date.issued | 2017 | |
dc.identifier.other | 030802 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/10742 | - |
dc.description.abstract | Основной целью настоящей работы является исследование задачи повышения разрешения изображения с помощью недавно предложенной концепции соревнующихся нейронных сетей (GAN), являющейся объединением порождающей и дискриминативной моделей в одну «гибридную» систему. В качестве инструмента решения поставленной проблемы предлагается использовать две методики, основанных на GAN подходе: алгоритм дорисовки, ранее не применявшийся в данном контексте, и специализированный под требуемый тип задач алгоритм SRGAN. При реализации GAN системы были рассмотрены и проанализированы различные типы нейронных сетей, входящих в ее состав: многослойные персептроны и сверточные нейронные сети. В работе приводятся рекомендации по архитектуре данных сетей, основанные на проведенных экспериментах. Предложенные алгоритмы были применены к набору данных MNIST, проведено сравнение качества их работы по метрикам MSE, SSIM, PSNR. В дополнение приводятся замечания по использованию данных алгоритмов при решении поставленной задачи, анализируются их достоинства и недостатки. | ru_RU |
dc.description.abstract | The main purpose of this paper is the application of the recent Generative Adversarial Networks (GAN) approach to pattern recognition, particularly, to super-resolution imaging. This problem was solved by two algorithms based on GAN: inpainting algorithm, which has not been used for this task before, and SRGAN algorithm, created specifically for super-resolution. Additionally, some types of neural networks such as a multilayer perceptron and convolutional neural network were analyzed in the context of GAN. All nets were trained on MNIST dataset and the results were compared using MSE, SSIM and PSNR metrics. Finally, advantages and disadvantages of these methods were discussed. | en_GB |
dc.language.iso | ru | |
dc.subject | соревнующиеся нейронные сети | ru_RU |
dc.subject | повышение разрешения изображения | ru_RU |
dc.subject | дорисовка. порождающая модель | ru_RU |
dc.subject | дискриминативная модель | ru_RU |
dc.subject | многослойный персептрон | ru_RU |
dc.subject | сверточная нейронная сеть | ru_RU |
dc.subject | generative adversarial networks | en_GB |
dc.subject | super-resolution | en_GB |
dc.subject | inpainting | en_GB |
dc.subject | generative model | en_GB |
dc.subject | discriminative model | en_GB |
dc.subject | multilayer perceptron | en_GB |
dc.subject | convolutional neural network | en_GB |
dc.title | Application of GAN approach to pattern recognition | en_GB |
dc.title.alternative | Применение GAN подхода в задаче распознавания образов | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
diploma_mozin.pdf | Article | 1,85 MB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Mozin_otz.pdf | ReviewSV | 776,96 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Recenziya_Mozin.pdf | ReviewRev | 551,57 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_st007807_Grishkin_Valerij_Mixajlovich_(reviewer)(Ru).txt | ReviewRev | 3,1 kB | Text | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.