Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/36766
Назва: Проектування та розробка системи ідентифікації та класифікації зображень біооб’єктів за допомогою відкритих бібліотек Python
Інші назви: Design and development of a system for the identification and classification of images of biological objects using open Python libraries
Автори: Підгородецький, Михайло Ігорович
Pidhorodetskyi, Mykhailo
Бібліографічний опис: Підгородецький М. І. Проектування та розробка системи ідентифікації та класифікації зображень біооб’єктів за допомогою відкритих бібліотек Python : кваліфікаційна робота магістра за спеціальністю „121 — інженерія програмного забезпечення“ / М. І. Підгородецький. — Тернопіль: ТНТУ, 2021. — 88 с.
Pidhorodetskyi M. I. Design and development of a system for the identification and classification of images of biological objects using open Python libraries: diploma thesis for the qualification level of master of specialty "121 — Software Engineering"/ M. I. Pidhorodetskyi— Ternopil: TNTU, 2021. — 88 pp.
Дата публікації: 24-гру-2021
Дата подання: 24-гру-2021
Дата внесення: 24-гру-2021
Видавництво: ТНТУ ім. І Пулюя
Країна (код): UA
Місце видання, проведення: ТНТУ ім. І. Пулюя
Науковий керівник: Петрик, Михайло Романовч
УДК: 004.422.81
004.9
Теми: 121
інженерія програмного забезпечення
глибоке навчання
нейронна мережа
ідентифікація
класифікація
виявлення об’єктів
deep learning
Короткий огляд (реферат): Через тісний зв’язок ідентифікації та класифікації об’єктів з аналізом відео та розумінням зображення, на це звернули увагу багато дослідників за останні роки. Традиційні методи виявлення об'єктів засновані на написаних вручну особливостях, є малоефективними. Їх продуктивність знижується під час конструювання складних систем, які поєднують в собі кілька низькорівневих особливостях зображення порівняно з детекторами об’єктів та класифікаторами зображень. Завдяки швидкому розвитку глибокого навчання, більш потужні інструменти, які здатні вивчати семантичні, високорівневі та глибші особливості, вводяться для вирішення існуючих проблем з якими не справляються традиційні архітектури. Ці моделі поводяться по-різному в залежно від архітектурі мережі, стратегії навчання та функцій оптимізації тощо.
Опис: У роботі я розглянув фреймворк виявлення об'єктів TensorFlow Object Detection API, який базується на основі глибокого навчання. Робота починається з короткого вступу до історії глибокого навчання та її репрезентативного інструмента, а саме загорткової нейронної мережі (CNN). Потім робота зосереджена на типових архітектурах класифікації об’єктів та описано структуру цих мереж. Для ідентифікації та класифікації біооб’єктів на зображеннях, була розроблена нейронна мережа в основі якої лежить мережа SSD ResNet50 v1 FPN 640x640, яка найбільше підходить для вирішення цієї задачі.
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/36766
Перелік літератури: 1. Löwel. S. and Singer. W. Selection of Intrinsic Horizontal Connections in the Visual Cortex by Correlated Neuronal Activity. (1992) Science 255. pp. 209–212
2. Нейронні мережі. Історія: від 1980-х років до сьогодення [Електронний ресурс]
3. Штучні нейронні мережі [Електронний ресурс] // Режим доступу: https://devopedia.org/artificial-neural-network
4. Історія нейронних мереж [Електронний ресурс] // Режим доступу: http://www2.psych.utoronto.ca/users/reingold/courses/ai/cache/neural4.html
5. Метод зворотного поширення [Електронний ресурс] // Режим доступу: https://www.sciencedirect.com/topics/engineering/backpropagation-learning
6. Конкурс ILSVRC2012 [Електронний ресурс] // Режим доступу: image-net.org/challenges/LSVRC/2012/
7. Фреймворк TensorFlow [Електронний ресурс] // Режим доступу: https://www.tensor-flow.org/
8. Перша стабільна версія TensorFlow [Електронний ресурс] // Режим доступу: https://www.wikiwand.com/en/TensorFlow
9. Ліцензія Apache Open Source [Електронний ресурс] // Режим доступу: https://www.apache.org/
10. Сервіс Google Cloud [Електронний ресурс] // Режим доступу: https://cloud.google.com/functions
11. Запуск TensorFlow 2.0 [Електронний ресурс] // Режим доступу: https://blog.tensorflow.org/2019/09/tensorflow-20-is-now-available.html
12. Метод штучного розширення тренувальних даних [Електронний ресурс] // Режим доступу: https://nanonets.com/blog/data-augmentation-how-to-use-deep-learning-when-you-have-limited-data-part-2/
13. Метод ранньої зупинки [Електронний ресурс] // Режим доступу: https://machinelearningmastery.com/early-stopping-to-avoid-overtraining-neural-network-models/
Тип вмісту: Master Thesis
Розташовується у зібраннях:121 — інженерія програмного забезпечення

Файли цього матеріалу:
Файл Опис РозмірФормат 
Pidhorodetskyi_magistr.pdf2,77 MBAdobe PDFПереглянути/відкрити


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора