Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/32445
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Вольф Дмитрий Александрович | ru_RU |
dc.contributor.advisor | Volf Dmitrij Aleksandrovic | en_GB |
dc.contributor.advisor | Вольф Дмитрий Александрович | ru_RU |
dc.contributor.advisor | Volf Dmitrij Aleksandrovic | en_GB |
dc.contributor.author | Пахомов Максим Юрьевич | ru_RU |
dc.contributor.author | Pahomov Maksim Urevic | en_GB |
dc.contributor.editor | Погожев Сергей Владимирович | ru_RU |
dc.contributor.editor | Pogozev Sergej Vladimirovic | en_GB |
dc.date.accessioned | 2021-08-07T09:11:40Z | - |
dc.date.available | 2021-08-07T09:11:40Z | - |
dc.date.issued | 2021 | |
dc.identifier.other | 063110 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/32445 | - |
dc.description.abstract | Нейросети, основанные на GAN фреймворке, в последнее время демонстрируют высокое качество в решении задачи Super Resolution. Однако данный класс алгоритмов страдает от ряда недостатков, таких как: большой размер, как следствие медленная скорость, нестабильный и долгий тренировочный процесс. Данная работа предлагает использовать метод дистилляции знаний для решения вышеописанных проблем. В результате был реализован фреймворк, который позволяет производить данный процесс для модели ESRGAN и получены несколько конкурентоспособных моделей с точки зрения соотношения качества и скорости. | ru_RU |
dc.description.abstract | Neural networks based on the GAN framework have recently demonstrated high-quality results in Super Resolution task. However, this class of algorithms suffer from a variety of limitations such as their size leading to slow inference speed, unstable and slow training process. This work suggests using knowledge distillation method to deal with aforementioned problems. As a result, a framework for knowledge distillation based on ESRGAN model was implemented, as well as a couple of models trained by it competitive in terms of accuracy and speed trade off. | en_GB |
dc.language.iso | ru | |
dc.subject | Нейросети | ru_RU |
dc.subject | генеративно-состязательные модели | ru_RU |
dc.subject | эффективное улучшение качества изображения | ru_RU |
dc.subject | дистилляция знаний | ru_RU |
dc.subject | Neural Networks | en_GB |
dc.subject | Generative Adversarial Networks | en_GB |
dc.subject | Efficient Super-resolution | en_GB |
dc.subject | Knowledge Distillation | en_GB |
dc.title | Efficient super-resolution with knowledge distillation of GANs | en_GB |
dc.title.alternative | Дистилляция генеративно-состязательных моделей для эффективного улучшения качества изображения | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
Pahomov_Maksim_VKR.pdf | Article | 3,98 MB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Otzyv.pdf | ReviewSV | 199,48 kB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.