Search academic texts

Information × Registration Number 2124U004126, Article popup.category Стаття, Опубліковано, Рецензована стаття Title Training convolutional neural network models for object, scene and context recognition in images popup.author Орлов РоманТаборанський СергійOrlov RomanTaboranskiy Serhii popup.publication 26-11-2024 popup.source_user Дніпровський національний університет імені Олеся Гончара popup.source https://cims.fti.dp.ua/j/article/view/236 popup.publisher Oles Honchar Dnipro National University Description Мета. Дослідження присвячене розробці оптимізованої згорткової нейронної мережі (CNN) для виявлення об'єктів, сцен та контекстів у різноманітних зображеннях. Дослідження зосереджується на вдосконаленні архітектури, методів навчання та продуктивності CNN у завданнях комп'ютерного зору, що є важливим для різних галузей. Дизайн / Метод / Підхід. У дослідженні використовуються Python, TensorFlow та Keras для створення та навчання CNN на наборі даних CIFAR-10. Для покращення продуктивності моделі було застосовано налаштування гіперпараметрів і техніки аугументації даних. Результати. Модель CNN, навчена на CIFAR-10, показала високу ефективність, досягнувши точності приблизно 85% на тестовому наборі, що підкреслює її здатність класифікувати різноманітні об’єкти. Методи аугментації даних значно покращили загальні результати, зробивши модель більш стійкою до варіацій у зображеннях. Теоретичне значення. Дослідження підкреслює важливість належної підготовки даних, включаючи нормалізацію та аугментацію зображень, для досягнення високої точності моделей CNN. Практичне значення. Застосування згорткових нейронних мереж у реальних сценаріях, таких як безпека, медицина та автономні системи, є революційним. Ці моделі можуть точно виявляти об'єкти та розуміти контексти, відкриваючи нові можливості для інновацій та автоматизації у різних галузях. Оригінальність / Цінність. Дане дослідження робить цінний внесок у сферу вивчення згорткових нейронних мереж, демонструючи успішне навчання та оптимізацію моделі для виявлення об'єктів. Поєднання аугментації даних, дизайну архітектури та налаштування гіперпараметрів підкреслює ефективний підхід до досягнення високої точності. Обмеження дослідження / Майбутні дослідження. Майбутні дослідження можуть робити фокус на альтернативні архітектури CNN та більші набори даних для підвищення точності виявлення об'єктів. Крім того, впровадження нових стратегій навчання може покращити продуктивність моделі в складніших і різноманітніших середовищах. Тип статті. Прикладне дослідження. PURL: https://purl.org/cims/2403.018 popup.nrat_date 2025-04-07 Close