Пошук академічних текстів

Інформація × Реєстраційний номер 2120U008750, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Методи трансформації пікселів зображення в гауссівський розподіл і їх порівняння Автор Сидорський Володимир СергійовичSydorskyi Volodymyr Serhiiovych Дата публікації 01-06-2020 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/37401 Видання Київ Опис Дипломна 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. Thesis: 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. Додано в НРАТ 2025-11-05 Закрити