Дослідження машинного навчання згорткових нейронних мереж: стиснення та збудження

Скорочена інформація про документ
dc.contributor.advisorКот, Анатолій Тарасович
dc.contributor.authorВантік, Олексій Станіславович
dc.date.accessioned2024-10-07T08:38:23Z
dc.date.available2024-10-07T08:38:23Z
dc.date.issued2024
dc.description.abstractДипломна робота: 87 с., 28 рис., 7 табл., 16 посилань, 1 додаток. Об’єкт дослідження – архітектури нейронних мереж зі стисненням та збудженням. Предмет дослідження – методи використання технології стиснення та збудження у моделях комп’ютерного зору. Мета роботи – дослідження методів глибокого навчання, їх застосування на прикладі задачі класифікації зображень, вдосконалення моделей за допомогою технології стиснення та збудження. Актуальність роботи полягає в широкому використанні моделей комп’ютерного зору для різного типу задач, що часто зустрічаються під час розробки програмних забезпечень. Ефективінсть роботи таких моделей напряму залежить від обраної архітектури, кожна з яких спромогається створити якнайкращу репрезентацію зображення для обробки. Блок стиснення для збудження є інструментом, який має намір покращити цю репрезентацію, таким чином пришвидшивши навчання моделі та покращивши її результати. За результатами роботи отримані варіації відомих згорткових нейронних моделей, які були використані для дослідження, можна використовувати у реальних проектах, що може допомогти при подальшій розробці.
dc.description.abstractotherDiploma thesis: 87 p., 28 figures, 7 tables, 16 references, 1 appendix. Object of research is architectures of neural networks with squeeze and excitation. Subject of research is methods of using squeeze and excitation technology in computer vision models. The purpose of the study is to investigate deep learning methods, their application to the task of image classification, and the improvement of models using squeeze and excitation technology. The relevance of the work lies in the widespread use of computer vision models for various types of tasks that are often encountered in software development. The efficiency of such models directly depends on the chosen architecture, each of which is able to create the best possible representation of the image for processing. The excitation compression block is a tool that intends to improve this representation, thus speeding up model training and improving its results. Based on the results of the work, the obtained variations of the known convolutional neural models that were used for the study can be used in real projects, which can help in further development.
dc.format.extent87 с.
dc.identifier.citationВантік, О. С. Дослідження машинного навчання згорткових нейронних мереж: стиснення та збудження : дипломна робота ... бакалавра : 122 Комп'ютерні науки / Вантік Олексій Станіславович. – Київ, 2024. – 87 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/69581
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectнейронна мережа
dc.subjectзгорткова нейронна мережа
dc.subjectкласифікація
dc.subjectсіамська нейронна мережа
dc.subjectкомп’ютерний зір
dc.subjectглибоке навчання
dc.subjectстиснення та збудження
dc.subjectneural network
dc.subjectconvolutional neural network
dc.subjectclassification
dc.subjectsiamese neural network
dc.subjectcomputer vision
dc.subjectdeep learning
dc.subjectcompression and excitation
dc.titleДослідження машинного навчання згорткових нейронних мереж: стиснення та збудження
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Vantik_bakalavr.pdf
Розмір:
3.46 MB
Формат:
Adobe Portable Document Format
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи