Search academic texts

Information × Registration Number 2122U006565, Article popup.category Бакалаврська робота Title Аналіз ефективності методів машинного навчання для задач розпізнавання (AI translated) popup.author Геніцой Павло ОлексійовичHenitsoi Pavlo Oleksiiovych popup.publication 01-06-2022 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/52137 popup.publisher Київ Description Дипломна робота містить 88 сторінок, 22 ілюстрації та 24 джерела літератури. Об’єкт дослідження – розпізнавання облич. Методом дослідження було описання задачі розпізнавання облич, огляд методів детектування та розпізнавання облич і вибір певних методів, формування датасету як із звичайними обличчями, так і з обличчями в масках. Метою роботи є розгляд та порівняльний аналіз ефективності алгоритмів машинного навчання для розпiзнавання облич, зокрема: HOG, MMOD, MTCNN та сучасні підходи мультиклассової класифікації облич у масках і без. Для досягнення мети було використано: основні та сучасні алгоритми навчання з учителем для розпізнавання облич; попередньо навчені моделі, взяті з пакету torchvision stable release v0.12 з фреймворку pytorch; PyCharm та Python/ML libs для реалізації алгоритмів. Thesis contains 88 pages, 22 illustrations and 24 sources of literature. The object of research is face recognition. The research method was to describe the problem of face recognition, review of methods of detection and recognition of faces and the choice of certain methods, the formation of a dataset with both ordinary faces and faces in masks. The aim of the work is to consider and compare the effectiveness of machine learning algorithms for face recognition, in particular: HOG, MMOD, MTCNN and modern approaches to multiclass classification of faces in masks and without. To achieve this goal were used: basic and modern supervised algorithms for face recognition; pre-trained models taken from the torchvision stable release v0.12 package from the pytorch framework; Pycharm and python / ML libs to implement algorithms. popup.nrat_date 2025-11-05 Close