Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/4029
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Андрианов Сергей Николаевич | ru_RU |
dc.contributor.author | Кулинкин Антон Борисович | ru_RU |
dc.contributor.author | Kulinkin Anton | en_GB |
dc.contributor.editor | доктор физико-математических наук, профессор С.Н. Андрианов | ru_RU |
dc.contributor.editor | Doctor of Physics and Mathematics, Professor S.N. Andrianov | en_GB |
dc.date.accessioned | 2016-10-10T02:11:35Z | - |
dc.date.available | 2016-10-10T02:11:35Z | - |
dc.date.issued | 2016 | |
dc.identifier.other | 010506 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/4029 | - |
dc.description.abstract | В работе представлена архитектура системы быстрого и качественного детектирования и классификации объектов на изображениях, обучавшаяся в условиях нехватки тренировочных данных. С использованием модифицированных моделей MultiBox и Fast R-CNN итоговая скорость работы системы в несколько раз превысила имеющиеся на тот момент аналоги, а использование обученных классификационных сетей для инициализации моделей, модифицированная функция ошибки в MultiBox и дополнительные методы искажения изображений позволили успешно обучаться на небольшом количестве данных и повысить общую точность работы системы. Нам удалось добиться средней точности (Precision) в 81% и полноты (Recall) в 85.5%. На обработку одного изображения при этом затрачивается порядка 310 миллисекунд. Помимо этого разработано ПО для применения системы детектирования в мобильных приложениях. | ru_RU |
dc.description.abstract | In the paper we present an architecture of a fast and precise object detection and classification system trained on a small image database. Using a slightly modified MultiBox and Fast Region-Based Convolutional Neural Networks (Fast R-CNN) models, we achieved several times faster image processing in comparison with analogous contemporary systems. Pre-trained classification network, used for model initialization, modified loss function in MultiBox method and additional data augmentation methods allowed us to successfully train our model on small image datasets and increased overall system precision. As a result, we achieved Precision of 81% and Recall of 85,5%. With these settings processing of one image takes 310 milliseconds. A software for using detection system in mobile applications was also developed. | en_GB |
dc.language.iso | ru | |
dc.subject | нейронные сети | ru_RU |
dc.subject | детектирование | ru_RU |
dc.subject | компьютерное зрение | ru_RU |
dc.subject | neural networks | en_GB |
dc.subject | detection | en_GB |
dc.subject | computer vision | en_GB |
dc.title | Object detection with neural networks in limited time conditions | en_GB |
dc.title.alternative | Нейросетевое детектирование объектов в условиях ограниченного времени | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
st010506.pdf | Article | 3,1 MB | Adobe PDF | Просмотреть/Открыть |
reviewSV_st002541_Andrianov_Sergej_Nikolaevich_(supervisor)(Ru).txt | ReviewSV | 3,91 kB | Text | Просмотреть/Открыть |
reviewSV_st002541_Andrianov_Sergej_Nikolaevich_(reviewer)(Ru).txt | ReviewRev | 4,35 kB | Text | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.