Синтез даних за допомогою генеративних змагальних мереж в системах детекцiї об’єкiв

Пелих, А. А.; Ткач, В. М.; Левочко, В. С.

Full metadata record

DC Field	Value	Language
dc.contributor.author	Пелих, А. А.	-
dc.contributor.author	Ткач, В. М.	-
dc.contributor.author	Левочко, В. С.	-
dc.date.accessioned	2018-11-27T13:40:53Z	-
dc.date.available	2018-11-27T13:40:53Z	-
dc.date.issued	2018	-
dc.identifier.citation	Пелих, А. А. Синтез даних за допомогою генеративних змагальних мереж в системах детекцiї об’єкiв / А. А. Пелих, В. М. Ткач, В. С. Левочко // Теоретичнi i прикладнi проблеми фiзики, математики та інформатики : матеріали XVI Всеукраїнської науково-практичної конференцiї студентiв, аспiрантiв та молодих вчених, 26-27 квiтня 2018 року, м. Київ / КПІ ім. Ігоря Сікорського, ФТІ. – Київ : ВПI ВПК «ПОЛIТЕХНIКА», 2018. – С. 37-39. – Бібліогр.: 12 назв.	uk
dc.identifier.uri	https://ela.kpi.ua/handle/123456789/25211	-
dc.language.iso	uk	uk
dc.source	Теоретичнi i прикладнi проблеми фiзики, математики та інформатики : матеріали XVI Всеукраїнської науково-практичної конференцiї студентiв, аспiрантiв та молодих вчених	uk
dc.subject	глибоке навчання	uk
dc.subject	комп’ютерний зiр	uk
dc.subject	генеративнi моделi	uk
dc.subject	генеративнi змагальнi мережi	uk
dc.subject	синтетичнi зображення	uk
dc.subject	детекцiя об’єктiв	uk
dc.title	Синтез даних за допомогою генеративних змагальних мереж в системах детекцiї об’єкiв	uk
dc.type	Article	uk
dc.format.pagerange	С. 37-39	uk
dc.publisher.place	Київ	uk
dc.subject.udc	004.93	uk
dc.description.abstractuk	Нещодавнiй прогрес у глибокому навчаннi показав, що задачi комп’ютерного зору можна ефективно вирiшувати за допомогою згорткових нейронних мереж. Проте, кiлькiсть наявних розмiчених даних для тренування є однi- єю з найважливiших проблем, що ускладнюють вирiшення реальних завдань. Цю складнiсть можна подолати, використовуючи синтетичнi данi, отриманi з рiзних джерел. У цiй роботi представлений пiдхiд до тренування мультирозмiрного детектора об’єктiв (Multi-scale Convolutional Neural Network, MS-CNN) на змiшаному наборi даних. Показано, що доповнення тренувальної вибiрки синтетичними зображеннями, отриманими за допомогою генеративних моделей машинного навчання, таких як генеративнi змагальнi мережi (Generative Adversarial Networks, GAN), може збiльшити точнiсть детекцiї пiшоходiв на наборi даних KITTI.	uk
dc.title.event	XVI Всеукраїнська науково-практична конференцiя студентiв, аспiрантiв та молодих вчених «Теоретичнi i прикладнi проблеми фiзики, математики та інформатики»	uk
dc.event.date	2018-05-26	-
dc.publisher	ВПI ВПК «ПОЛIТЕХНIКА»	uk
Appears in Collections:	Секція «Математичні методи комп’ютерного моделювання та кібернетичної безпеки»