Порівняльний аналіз архітектур глибоких згорткових нейронних мереж для класифікації̈ зображень

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorЗаборський, Демид Дмитрович
dc.date.accessioned2023-10-11T08:40:26Z
dc.date.available2023-10-11T08:40:26Z
dc.date.issued2023
dc.description.abstractДипломна робота: 149 с., 38 рис., 16 табл., 28 джерел, 2 додатки. Мета роботи – дослідження та порівняння розповсюджених та актуальних архітектур для побудови моделей згорткових нейронних мереж на задачі класифікації зображень за допомогою метрик часу, розміру та якості роботи моделей. Проведено опис задачі класифікації зображень та методи реалізації для її вирішення. Були описані згорткові нейронні мережі, особливості побудови її шарів, роль, яку вони виконують та послідовний алгоритм роботи цього різновиду мереж на епосі. Наведено опис вибірки даних, на якій виконувались дослідження роботи моделей згорткових нейронних мереж. Було обрано на основі актуальності та популярності у використанні такі архітектури згорткових мереж, як ResNet, VGG, Inception, MobileNet, EfficientNet. Розроблено програму, у якій було побудовано моделі обраних архітектур CNN у середовищі Jupiter Notebook мовою Python 3.11.3 (IPython) та проведений порівняльний аналіз наведених архітектур згорткових нейронних мереж. Було проведено функціонально-вартісний аналіз виконаної роботи.uk
dc.description.abstractotherBachelor thesis: 149 p., 38 figures, 16 tables, 28 references, 2 appendices. The purpose of the work is to research and compare common and topical architectures for building models of convolutional neural networks for the task of image classification using metrics of time, size, and model performance. A description of the problem of image classification and methods of implementation for its solution are provided. Convolutional neural networks were described, the features of the construction of its layers, the role they play, and the sequential algorithm of the operation of this type of network on the epoch. A description of the data sample, which was used to study the operation of convolutional neural network models, is given. Convolutional network architectures such as ResNet, VGG, Inception, MobileNet, EfficientNet were chosen based on relevance and popularity in use. A program was developed in which models of selected CNN architectures were built in the Jupiter Notebook environment in Python 3.11.3 (IPython) and a comparative analysis of the given architectures of convolutional neural networks was carried out. A functional and cost analysis of the performed work was carried out.uk
dc.format.extent149 с.uk
dc.identifier.citationЗаборський, Д. Д. Порівняльний аналіз архітектур глибоких згорткових нейронних мереж для класифікації̈ зображень : дипломна робота ... бакалавра : 124 Системний аналіз / Заборський Демид Дмитрович. – Київ, 2023. – 149 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/61181
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectглибокі нейронні мережіuk
dc.subjectзгорткові нейронні мережіuk
dc.subjectархітектура mobilenetuk
dc.subjectархітектура vggnetuk
dc.subjectархітектура resnetuk
dc.subjectархітектура efficientnetuk
dc.subjectархітектура inceptionuk
dc.subjectфінансово-економічні процессиuk
dc.subjectdeep neural networksuk
dc.subjectconvolutional neural networksuk
dc.subjectmobilenet architectureuk
dc.subjectvggnet architect ureuk
dc.subjectresnet architectureuk
dc.subjectefficientnet architectureuk
dc.subjectinception architectureuk
dc.subjectfinancial-economic processesuk
dc.titleПорівняльний аналіз архітектур глибоких згорткових нейронних мереж для класифікації̈ зображеньuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Zaborskyi_bakalavr.pdf
Розмір:
2.91 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи