Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız: http://elartu.tntu.edu.ua/handle/lib/36766
Tüm üstveri kaydı
Dublin Core AlanıDeğerDil
dc.contributor.advisorПетрик, Михайло Романовч-
dc.contributor.authorПідгородецький, Михайло Ігорович-
dc.contributor.authorPidhorodetskyi, Mykhailo-
dc.date.accessioned2021-12-24T03:00:09Z-
dc.date.available2021-12-24T03:00:09Z-
dc.date.issued2021-12-24-
dc.date.submitted2021-12-24-
dc.identifier.citationПідгородецький 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.citationPidhorodetskyi 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.urihttp://elartu.tntu.edu.ua/handle/lib/36766-
dc.descriptionУ 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.abstractЧерез 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.isoukuk_UA
dc.publisherТНТУ ім. І Пулюяuk_UA
dc.subject121uk_UA
dc.subjectінженерія програмного забезпеченняuk_UA
dc.subjectглибоке навчанняuk_UA
dc.subjectнейронна мережаuk_UA
dc.subjectідентифікаціяuk_UA
dc.subjectкласифікаціяuk_UA
dc.subjectвиявлення об’єктівuk_UA
dc.subjectdeep learning-
dc.titleПроектування та розробка системи ідентифікації та класифікації зображень біооб’єктів за допомогою відкритих бібліотек Pythonuk_UA
dc.title.alternativeDesign and development of a system for the identification and classification of images of biological objects using open Python librariesuk_UA
dc.typeMaster Thesisuk_UA
dc.coverage.placenameТНТУ ім. І. Пулюяuk_UA
dc.subject.udc004.422.81uk_UA
dc.subject.udc004.9uk_UA
dc.relation.references1. Löwel. S. and Singer. W. Selection of Intrinsic Horizontal Connections in the Visual Cortex by Correlated Neuronal Activity. (1992) Science 255. pp. 209–212uk_UA
dc.relation.references2. Нейронні мережі. Історія: від 1980-х років до сьогодення [Електронний ресурс]uk_UA
dc.relation.references3. Штучні нейронні мережі [Електронний ресурс] // Режим доступу: https://devopedia.org/artificial-neural-networkuk_UA
dc.relation.references4. Історія нейронних мереж [Електронний ресурс] // Режим доступу: http://www2.psych.utoronto.ca/users/reingold/courses/ai/cache/neural4.htmluk_UA
dc.relation.references5. Метод зворотного поширення [Електронний ресурс] // Режим доступу: https://www.sciencedirect.com/topics/engineering/backpropagation-learninguk_UA
dc.relation.references6. Конкурс ILSVRC2012 [Електронний ресурс] // Режим доступу: image-net.org/challenges/LSVRC/2012/uk_UA
dc.relation.references7. Фреймворк TensorFlow [Електронний ресурс] // Режим доступу: https://www.tensor-flow.org/uk_UA
dc.relation.references8. Перша стабільна версія TensorFlow [Електронний ресурс] // Режим доступу: https://www.wikiwand.com/en/TensorFlowuk_UA
dc.relation.references9. Ліцензія Apache Open Source [Електронний ресурс] // Режим доступу: https://www.apache.org/uk_UA
dc.relation.references10. Сервіс Google Cloud [Електронний ресурс] // Режим доступу: https://cloud.google.com/functionsuk_UA
dc.relation.references11. Запуск TensorFlow 2.0 [Електронний ресурс] // Режим доступу: https://blog.tensorflow.org/2019/09/tensorflow-20-is-now-available.htmluk_UA
dc.relation.references12. 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.references13. Метод ранньої зупинки [Електронний ресурс] // Режим доступу: https://machinelearningmastery.com/early-stopping-to-avoid-overtraining-neural-network-models/uk_UA
dc.coverage.countryUAuk_UA
Koleksiyonlarda Görünür:121 — інженерія програмного забезпечення

Bu öğenin dosyaları:
Dosya Açıklama BoyutBiçim 
Pidhorodetskyi_magistr.pdf2,77 MBAdobe PDFGöster/Aç


DSpace'deki bütün öğeler, aksi belirtilmedikçe, tüm hakları saklı tutulmak şartıyla telif hakkı ile korunmaktadır.

Yönetim Araçları