Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız:
http://elartu.tntu.edu.ua/handle/lib/36766
Tüm üstveri kaydı
Dublin Core Alanı | Değer | Dil |
---|---|---|
dc.contributor.advisor | Петрик, Михайло Романовч | - |
dc.contributor.author | Підгородецький, Михайло Ігорович | - |
dc.contributor.author | Pidhorodetskyi, Mykhailo | - |
dc.date.accessioned | 2021-12-24T03:00:09Z | - |
dc.date.available | 2021-12-24T03:00:09Z | - |
dc.date.issued | 2021-12-24 | - |
dc.date.submitted | 2021-12-24 | - |
dc.identifier.citation | 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. | uk_UA |
dc.identifier.citation | 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. | uk_UA |
dc.identifier.uri | http://elartu.tntu.edu.ua/handle/lib/36766 | - |
dc.description | 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. | uk_UA |
dc.description.abstract | 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. | uk_UA |
dc.language.iso | uk | uk_UA |
dc.publisher | ТНТУ ім. І Пулюя | uk_UA |
dc.subject | 121 | uk_UA |
dc.subject | інженерія програмного забезпечення | uk_UA |
dc.subject | глибоке навчання | uk_UA |
dc.subject | нейронна мережа | uk_UA |
dc.subject | ідентифікація | uk_UA |
dc.subject | класифікація | uk_UA |
dc.subject | виявлення об’єктів | uk_UA |
dc.subject | deep learning | - |
dc.title | Проектування та розробка системи ідентифікації та класифікації зображень біооб’єктів за допомогою відкритих бібліотек Python | uk_UA |
dc.title.alternative | Design and development of a system for the identification and classification of images of biological objects using open Python libraries | uk_UA |
dc.type | Master Thesis | uk_UA |
dc.coverage.placename | ТНТУ ім. І. Пулюя | uk_UA |
dc.subject.udc | 004.422.81 | uk_UA |
dc.subject.udc | 004.9 | uk_UA |
dc.relation.references | 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 | uk_UA |
dc.relation.references | 2. Нейронні мережі. Історія: від 1980-х років до сьогодення [Електронний ресурс] | uk_UA |
dc.relation.references | 3. Штучні нейронні мережі [Електронний ресурс] // Режим доступу: https://devopedia.org/artificial-neural-network | uk_UA |
dc.relation.references | 4. Історія нейронних мереж [Електронний ресурс] // Режим доступу: http://www2.psych.utoronto.ca/users/reingold/courses/ai/cache/neural4.html | uk_UA |
dc.relation.references | 5. Метод зворотного поширення [Електронний ресурс] // Режим доступу: https://www.sciencedirect.com/topics/engineering/backpropagation-learning | uk_UA |
dc.relation.references | 6. Конкурс ILSVRC2012 [Електронний ресурс] // Режим доступу: image-net.org/challenges/LSVRC/2012/ | uk_UA |
dc.relation.references | 7. Фреймворк TensorFlow [Електронний ресурс] // Режим доступу: https://www.tensor-flow.org/ | uk_UA |
dc.relation.references | 8. Перша стабільна версія TensorFlow [Електронний ресурс] // Режим доступу: https://www.wikiwand.com/en/TensorFlow | uk_UA |
dc.relation.references | 9. Ліцензія Apache Open Source [Електронний ресурс] // Режим доступу: https://www.apache.org/ | uk_UA |
dc.relation.references | 10. Сервіс Google Cloud [Електронний ресурс] // Режим доступу: https://cloud.google.com/functions | uk_UA |
dc.relation.references | 11. Запуск TensorFlow 2.0 [Електронний ресурс] // Режим доступу: https://blog.tensorflow.org/2019/09/tensorflow-20-is-now-available.html | uk_UA |
dc.relation.references | 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/ | uk_UA |
dc.relation.references | 13. Метод ранньої зупинки [Електронний ресурс] // Режим доступу: https://machinelearningmastery.com/early-stopping-to-avoid-overtraining-neural-network-models/ | uk_UA |
dc.coverage.country | UA | uk_UA |
Koleksiyonlarda Görünür: | 121 — інженерія програмного забезпечення |
Bu öğenin dosyaları:
Dosya | Açıklama | Boyut | Biçim | |
---|---|---|---|---|
Pidhorodetskyi_magistr.pdf | 2,77 MB | Adobe PDF | Göster/Aç |
DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.
Yönetim Araçları