Кафедра прикладної радіоелектроніки (РЕ)

Постійне посилання на фонд

https://ela.kpi.ua/handle/123456789/43321
Сайт кафедри: https://re.kpi.ua/

Переглянути

Перегляд Кафедра прикладної радіоелектроніки (РЕ) за Ключові слова "004.55"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    ДокументВідкритий доступ
    Виявлення патологій на зображеннях методами цифрового оброблення сигналів
    (КПІ ім. Ігоря Сікорського, 2024) Жирова, Анжела Ігорівна; Лащевська, Наталія Олександрівна
    Магістерська робота складається з 52 сторінок пояснювальної записки, яка містить 19 ілюстрацій, 10 таблиць, 1 додаток і 9 джерел посилань. Актуальність теми: підвищення точності діагностування цирозу печінки шляхом застосування нейромережевого підходу. Метою дослідження є розробка архітектури нейронної мережі та її навчання для виявлення патологій на зображеннях методами цифрового оброблення сигналів. У результаті роботи було отримано нейронну мережу, яка з високою точністю у визначає цироз печінки та знімках магнітно-резонансної томографії.
  • Ескіз
    ДокументВідкритий доступ
    Розпізнавання об’єктів на зашумлених зображеннях
    (КПІ ім. Ігоря Сікорського, 2024) Левченко, Ігор Сергійович; Лащевська, Наталія Олександрівна
    Текстова частина магістерської дисертації містить: 99 с., 65 рис., 2 табл., 2 додатка, 40 використаних джерел. Мета роботи: Реалізувати ефективний метод машинного навчання, за допомогою вибору архітектури нейронної мережі для розпізнавання об'єктів різних типів на зашумлених супутникових знімках. Для досягнення поставленої мети в магістерській дисертації були вирішені наступні завдання: збір та підготовка даних; попередня обробка даних, а саме використання та навчання автокодера для зменшення рівня шумів для покращення точності розпізнавання; використання та навчання нейронної мережі YOLO останньої версії для розпізнавання об’єктів на попередньо оброблених знімках; тестування та оцінка результатів. В результаті було отримано модель нейронної мережі, яка продемонструвала гарну точність у розпізнаванні об'єктів на зашумлених супутникових знімках. Вона може бути реалізована для застосування у сферах моніторингу довкілля, геологічних досліджень та низці інших областей, де важлива автоматизована обробка супутникових зображень. Можливе подальше удосконалення моделі, тобто продовження дослідження для покращення точності та надійності розпізнавання об’єктів, шляхом покращення ланки автокодера або застосування інших комбінацій підходів машинного навчання. Також можливе покращення моделі шляхом реалізації розпізнавання об’єктів в режимі реального часу.