Інтелектуальна система дистанційного розпізнавання об’єктів

Скорочена інформація про документ
dc.contributor.advisorКоролюк, Дмитро Володимирович
dc.contributor.authorВасиленко, Михайло Євгенович
dc.date.accessioned2023-09-02T18:03:26Z
dc.date.available2023-09-02T18:03:26Z
dc.date.issued2023
dc.description.abstractДипломна робота присвячена дослідженню інтелектуальних систем дистанційного розпізнавання об’єктів Дипломна робота складається зі вступу, 5 розділів, висновків, списку використаних джерел, що складається з 16 джерел і 2 додатків. Роботу викладено на 73 аркушах друкованого тексту, містить 23 формули, 36 рисунків та 1 таблицю. Метою даної дипломної роботи є дослідження модельних підходів візуального розпізнання об’єктів на основі згорткових нейромереж, для розробки швидкої моделі розпізнання об’єктів на аерознімках зі складними сценаріями Під час розроблення моделі було використано такі методи машинного навчання: Трансферне навчання, аугментація даних, CSL[12], OneCycleLR [14], СГС, adam[13]. Так само було використано архітектуру YOLOv5 і набір даних VSAI[10]. За результатом роботи отримана модель, яка має посередні показники точності та повноти, і поки що не може використовуватися в практичних завданнях. Рекомендується використовувати отриману модель для продовження дослідження в цій галузі, використовувати як переднавчену модель для донавчання на новому наборі даних для багаторакурсного розпізнавання.uk
dc.description.abstractotherThis dissertation is devoted to the study of intelligent systems for remote object recognition. The dissertation consists of an introduction, 5 chapters, conclusions, a list of references consisting of 16 sources and 2 appendices. The work is presented on 73 pages of printed text, contains 23 formulas, 36 figures and 1 table. The purpose of this thesis is to study model-based approaches to visual object recognition based on convolutional neural networks to develop a fast model for recognizing objects in aerial images with complex scenarios. The following machine learning methods were used to develop the model: Transfer learning, data augmentation, CSL [12], OneCycleLR [14], SGD, adam [13]. We also used the YOLOv5 architecture and the VSAI dataset [10]. As a result, we obtained a model that has mediocre accuracy and completeness, and cannot yet be used in practical tasks. It is recommended to use the obtained model to continue research in this area, to use it as a pre-trained model for retraining on a new dataset for multi-view recognition.uk
dc.format.extent73uk
dc.identifier.citationВасиленко, М. Є. Інтелектуальна система дистанційного розпізнавання об’єктів : дипломна робота … бакалавра : 153 Мікро- та наносистемна техніка / Василенко Михайло Євгенович. – Київ, 2023. – 73 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/59821
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectзгорткова нейронна мережаuk
dc.subjectвізуальне розпізнаванняuk
dc.subjectаерозйомкаuk
dc.subjectаеророзвідкаuk
dc.subjectvisual recognitionuk
dc.subjectaerial surveyuk
dc.subjectaerial reconnaissanceuk
dc.titleІнтелектуальна система дистанційного розпізнавання об’єктівuk
dc.typeBachelor Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Vasylenko_bakalavr.pdf
Розмір:
3.73 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 (МЕ)
Бакалаврські роботи