1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
2. Матеріали конференцій, семінарів, читань
3. 2022
4. X науково-технічна конференція „Інформаційні моделі, системи та технології“ (2022)

Назва:	Порівняння претренованих моделей для детекції об’єктів
Інші назви:	Comparation of the pretrained models for object detection
Автори:	Сороківський, О. Литвиненко, Ярослав Володимирович Sorokivskyi, O. Lytvynenko, I.
Приналежність:	Тернопільський національний технічний університет імені Івана Пулюя, Україна
Бібліографічний опис:	Сороківський О. Порівняння претренованих моделей для детекції об’єктів / О. Сороківський, Ярослав Володимирович Литвиненко // Матеріали Ⅹ науково-технічної конференції „Інформаційні моделі, системи та технології“, 7–8 грудня 2022 року. — Т. : ТНТУ, 2022. — С. 51–52. — (Інформаційні системи та технології, кібербезпека).
Bibliographic description:	Sorokivskyi O., Lytvynenko I. (2022) Porivniannia pretrenovanykh modelei dlia detektsii obiektiv [Comparation of the pretrained models for object detection]. Materials of the Ⅹ scientific and technical conference "Information models, systems and technologies" (Tern., 7–8 December 2022), pp. 51-52 [in Ukrainian].
Є частиною видання:	Матеріали Ⅹ науково-технічної конференції „Інформаційні моделі, системи та технології“ Тернопільського національного технічного університету імені Івана Пулюя, 2022 Materials of the Ⅹ Scientific and Technical Conference "Information Models, Systems and Technologies" of Ivan Puluj Ternopil National Technical University, 2022
Конференція/захід:	Ⅹ науково-технічна конференція „Інформаційні моделі, системи та технології“ Тернопільського національного технічного університету імені Івана Пулюя
Журнал/збірник:	Матеріали Ⅹ науково-технічної конференції „Інформаційні моделі, системи та технології“ Тернопільського національного технічного університету імені Івана Пулюя
Дата публікації:	7-гру-2022
Дата внесення:	19-січ-2023
Видавництво:	ТНТУ TNTU
Місце видання, проведення:	Тернопіль Ternopil
Часове охоплення:	7–8 грудня 2022 року 7–8 December 2022
УДК:	004.6
Кількість сторінок:	2
Діапазон сторінок:	51-52
Початкова сторінка:	51
Кінцева сторінка:	52
URI (Уніфікований ідентифікатор ресурсу):	http://elartu.tntu.edu.ua/handle/lib/40289
Власник авторського права:	© Тернопільський національний технічний університет імені Івана Пулюя, 2022
URL-посилання пов’язаного матеріалу:	https://arxiv.org/abs/2204.00484 https://arxiv.org/abs/1405.0312 https://arxiv.org/abs/1608.05442 https://arxiv.org/abs/2211.05778 https://arxiv.org/abs/2211.07636v1 https://arxiv.org/abs/2211.12860v1 https://arxiv.org/abs/2205.14141v3 https://arxiv.org/abs/2105.04206v1
Перелік літератури:	1. Cristina Vasconcelos, Vighnesh Birodkar, Vincent Dumoulin. Proper Reuse of Image Classifica-tion Features Improves Object Detection, 2022. URL: https://arxiv.org/abs/2204.00484. 2. Microsoft COCO: Common Objects in Context, Tsung-Yi Lin, Michael Maire, Serge Belongie, Lubomir Bourdev, Ross Girshick, James Hays, Pietro Perona, Deva Ramanan, C. Lawrence Zitnick, Piotr Dollár, 2015. URL: https://arxiv.org/abs/1405.0312. 3. Semantic Understanding of Scenes through the ADE20K Dataset, Bolei Zhou, Hang Zhao, Xavier Puig, Tete Xiao, Sanja Fidler, Adela Barriuso, Antonio Torralba, 2018. URL: https://arxiv.org/abs/1608.05442. 4. InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions, Wenhai Wang, Jifeng Dai, Zhe Chen, Zhenhang Huang, Zhiqi Li, Xizhou Zhu, Xiaowei Hu, Tong Lu, Lewei Lu, Hongsheng Li, Xiaogang Wang, Yu Qiao, 2022. URL: https://arxiv.org/abs/2211.05778. 5. EVA: Exploring the Limits of Masked Visual Representation Learning at Scale, Yuxin Fang, Wen Wang, Binhui Xie, Quan Sun, Ledell Wu, Xinggang Wang, Tiejun Huang, Xinlong Wang, Yue Cao, 2022. URL: https://arxiv.org/abs/2211.07636v1. 6. DETRs with Collaborative Hybrid Assignments Training, Zhuofan Zong, Guanglu Song, Yu Liu, 2022. URL: https://arxiv.org/abs/2211.12860v1. 7. Contrastive Learning Rivals Masked Image Modeling in Fine-tuning via Feature Distillation, Yixuan Wei, Han Hu, Zhenda Xie, Zheng Zhang, Yue Cao, Jianmin Bao, Dong Chen, Baining Guo, 2022. URL: https://arxiv.org/abs/2205.14141v3. 8. You Only Learn One Representation: Unified Network for Multiple Tasks, Chien-Yao Wang, I-Hau Yeh, Hong-Yuan Mark Liao, 2021. URL: https://arxiv.org/abs/2105.04206v1.
References:	1. Cristina Vasconcelos, Vighnesh Birodkar, Vincent Dumoulin. Proper Reuse of Image Classifica-tion Features Improves Object Detection, 2022. URL: https://arxiv.org/abs/2204.00484. 2. Microsoft COCO: Common Objects in Context, Tsung-Yi Lin, Michael Maire, Serge Belongie, Lubomir Bourdev, Ross Girshick, James Hays, Pietro Perona, Deva Ramanan, C. Lawrence Zitnick, Piotr Dollár, 2015. URL: https://arxiv.org/abs/1405.0312. 3. Semantic Understanding of Scenes through the ADE20K Dataset, Bolei Zhou, Hang Zhao, Xavier Puig, Tete Xiao, Sanja Fidler, Adela Barriuso, Antonio Torralba, 2018. URL: https://arxiv.org/abs/1608.05442. 4. InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions, Wenhai Wang, Jifeng Dai, Zhe Chen, Zhenhang Huang, Zhiqi Li, Xizhou Zhu, Xiaowei Hu, Tong Lu, Lewei Lu, Hongsheng Li, Xiaogang Wang, Yu Qiao, 2022. URL: https://arxiv.org/abs/2211.05778. 5. EVA: Exploring the Limits of Masked Visual Representation Learning at Scale, Yuxin Fang, Wen Wang, Binhui Xie, Quan Sun, Ledell Wu, Xinggang Wang, Tiejun Huang, Xinlong Wang, Yue Cao, 2022. URL: https://arxiv.org/abs/2211.07636v1. 6. DETRs with Collaborative Hybrid Assignments Training, Zhuofan Zong, Guanglu Song, Yu Liu, 2022. URL: https://arxiv.org/abs/2211.12860v1. 7. Contrastive Learning Rivals Masked Image Modeling in Fine-tuning via Feature Distillation, Yixuan Wei, Han Hu, Zhenda Xie, Zheng Zhang, Yue Cao, Jianmin Bao, Dong Chen, Baining Guo, 2022. URL: https://arxiv.org/abs/2205.14141v3. 8. You Only Learn One Representation: Unified Network for Multiple Tasks, Chien-Yao Wang, I-Hau Yeh, Hong-Yuan Mark Liao, 2021. URL: https://arxiv.org/abs/2105.04206v1.
Тип вмісту:	Conference Abstract
Розташовується у зібраннях:	X науково-технічна конференція „Інформаційні моделі, системи та технології“ (2022)

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