Пошук академічних текстів

Інформація × Реєстраційний номер 2124U004126, Матеріали видань та локальних репозитаріїв Категорія Стаття, Опубліковано, Рецензована стаття Назва роботи Навчання моделей згорткових нейронних мереж виявленню об’єктів, сцен і контекстів на зображеннях Автор Орлов РоманТаборанський СергійOrlov RomanTaboranskiy Serhii Дата публікації 26-11-2024 Постачальник інформації Дніпровський національний університет імені Олеся Гончара Першоджерело https://cims.fti.dp.ua/j/article/view/236 Видання Oles Honchar Dnipro National University Опис 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 Додано в НРАТ 2025-04-07 Закрити