Методи трансформації пікселів зображення в гауссівський розподіл і їх порівняння

Скорочена інформація про документ
dc.contributor.advisorКаніовська, Ірина Юріївна
dc.contributor.authorСидорський, Володимир Сергійович
dc.date.accessioned2020-11-16T11:09:19Z
dc.date.available2020-11-16T11:09:19Z
dc.date.issued2020-06
dc.description.abstractenThesis: 123 pp., 69 Fig., 6 Table., 2 Appendix, 33 sources. The object of study is the problem of distribution transformation and the problem of generation. The aim of the study is to analyze existing methods of distribution transformation, as well as possible ways and methods to improve them. Statistical and machine learning methods were used to solve the problem. The subject of research is the study and improvement of methods for the transformation of new distributions, such as the distribution of pixels, into already known distributions, such as Gaussian. In the course of the thesis, generative and distribution transformation algorithms using deep learning methods were studied. An improvement of the normalizing flow algorithm was proposed. This version of the algorithm was optimized on the face dataset. It has shown a sufficiently high quality of generation and construction of mappings in the Gaussian distribution. The software implementation of the optimization and operation of the model was created using the Python language and a framework for deep learning - PyTorch.uk
dc.description.abstractukДипломна робота: 123 с., 69 рис., 6 табл., 2 дод., 33 джерел. Об'єктом дослідження є задача трансформації розподілів і задача генерації. Метою дослідження є аналіз існуючих методів трансформації розподілів, а також можливих шляхів і методів їх покращення. Використання статистичних та методів машинного навчання для вирішення проблеми. Предмет дослідження є вивчення та покращення методів трансформація но- вих розподілів, наприклад розподіл пікселів зображення, у вже відомі розподіли, наприклад гауссівський. В ході дипломної роботи були дослідженні генеративні та алгоритми транс- формації розподілів, які використовують методи глибокого навчання. Було запро- поновано покращення алгоритму нормалізуючих потоків. Ця версія алгоритму була оптимізована на датасеті облич. Вона показала достатньо високу якість генерації та побудови відображення в гауссівський розподіл. Програмна реалізація оптимізації та роботи моделі була створена за допомо- гою мови Python, використовуючи фреймворк для глибокого навчання PyTorch.uk
dc.format.page123 с.uk
dc.identifier.citationСидорський, В. С. Методи трансформації пікселів зображення в гауссівський розподіл і їх порівняння : дипломна робота …. бакалавра : 124 Системний аналіз / Сидорський Володимир Сергійович. – Київ, 2020. – 123 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/37401
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectглибоке навчанняuk
dc.subjectкомп'ютерний зірuk
dc.subjectгенеративні алгоритмиuk
dc.subjectтрансформація розподілуuk
dc.subjectdeep learninguk
dc.subjectcomputer visionuk
dc.subjectgenerative algorithmsuk
dc.subjectdistribution transformationuk
dc.titleМетоди трансформації пікселів зображення в гауссівський розподіл і їх порівнянняuk
dc.typeBachelor Thesisuk

Файли

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

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи