Факультет електроніки та інформаційних технологій (ЕлІТ)
Permanent URI for this communityhttps://devessuir.sumdu.edu.ua/handle/123456789/20
Browse
8 results
Search Results
Item Порівняльний аналіз ефективності методів класифікації зображень(Cумський державний університет, 2024) Пустовий, Ю.М.Використовуючи датасет CIFAR-10, який містить 60,000 кольорових зображень, що відносяться до десяти класів, проведено порівняльний аналіз ефективності різних методів класифікації зображень. Класифікацію зображень проведено на основі наступних алгоритмів: згорткової нейронної мережі (CNN), методу опорних векторів (SVM), методу k-найближчих сусідів (k-NN), дерева рішень (Decision Trees). З'ясовано, що алгоритм, який побудовано на згортковій нейронній мережі (CNN) показує найвищу загальну точність, мінімізує помилкові спрацьовування. В роботі запропоновано рекомендації щодо вибору алгоритму для задачі класифікації виходячи з завдань конкретної задачі.Item Вивчення існуючих моделей та нейромереж для розпізнавання образів з мінімізацією зусиль на додаткове тренування. Дослідження систем відеорозпізнавання, які не потребують навчання(Cумський державний університет, 2024) Івашина, А.В.У цій роботі досліджено методи розпізнавання та класифікації зображень за допомогою згорткових нейронних мереж (CNN) та навчання «з нуля» (ZSL). Розглянуто вибір активаційних функцій, оптимізаторів і метрик для оцінки моделей з метою досягнення найкращих результатів. Проведено підготовку та попередню обробку даних, машинне втілення CNN і ZSL, а також аналіз результатів експериментів. Показано ефективність обраних підходів для розпізнавання нових класів зображень без додаткового тренування. Виявлено переваги та недоліки кожного методу, що дозволяє окреслити напрямки для подальших досліджень і вдосконалення розглянутих моделей.Item Побудова нейронної мережі для розпізнавання рукописних цифр(Cумський державний університет, 2023) Грибініченко, Я.А.У даній роботі було проведено аналіз та порівняння ефективності різних моделей нейронних мереж у задачі класифікації рукописних цифр з використанням бази даних MNIST. Особлива увага була зосереджена на двох архітектурах нейромереж: багатошаровому перцептроні та згортковій нейромережі.Під час тренування обох нейромереж на тренувальному наборі даних було оцінено їхню точність на тестовому наборі. Виявлено, що згорткова нейромережа досягає середньої точності розпізнавання значення швидше, в порівнянні з багатошаровим перцептроном. Запропоновано використовувати згорткові нейромережі для розпізнавання рукописних цифр, оскільки вони здатні виявляти ієрархічні структури та просторові залежності в даних, що сприяє покращенню точності класифікації. Такий підхід може бути корисним для широкого спектру завдань, пов'язаних з розпізнаванням образів та класифікацією зображень.Item Інформаційна технологія розпізнавання шкідливого програмного забезпечення з використанням нейромережової архітектури трансформерів(Сумський державний університет, 2023) Фролов, Д.І.На мові програмування Python впроваджено інформаційну технологію розпізнавання шкідливого програмного забезпечення з використанням нейромережової архітектури трансформерів. Проведено аналіз отриманих результатів в порівнянні з результатами роботи згорткової та гібридної нейронних мереж. Визначено гібридну штучну нейронну мережу CoAtNet як найбільш ефективну для вирішення зазначених завдань.Item Багатоетапний метод глибинного навчання з попереднім самонавчанням для класифікаційного аналізу дефектів стічних труб(National Aerospace University "Kharkiv Aviation Institute", 2021) Москаленко, Владислав Вікторович; Москаленко, Владислав Викторович; Moskalenko, Vladyslav Viktorovych; Зарецький, Микола Олександрович; Зарецкий, Николай Александрович; Zaretskyi, Mykola Oleksandrovych; Москаленко, Альона Сергіївна; Москаленко, Алена Сергеевна; Moskalenko, Alona Serhiivna; Коробов, Артем Геннадійович; Коробов, Артем Геннадьевич; Korobov, Artem Hennadiiovych; Ковальський, Ярослав Юрійович; Ковальский, Ярослав Юрьевич; Kovalskyi, Yaroslav YuriiovychРозроблено багатоетапний метод машинного навчання з попереднім самонавчанням для класифікаційного аналізу дефектів на стінках стічних труб за зображеннями відеоінспекції. Об’єктом дослідження є процес розпізнавання дефектів на стінках стічних труб. Предметом дослідження є метод машинного навчання для класифікаційного аналізу дефетів стічних труб на зображеннях відеоінспекції за умов обмеженого та незбалансованого набору розмічених навчальних даних. Запропоновано п’ятиетапний алгоритм навчання класифікатора. На першому етапі відбувається контрастне навчання з використанням екземпляр-прототипної контрасної функції втрат, де для вимірювання схожості закодованих зразків використовується нормалізована відстань Евкліда. На другому етапі розглядаються два варіанти регуляризованої функції втрат – триплетна функція NCA та контрастноцентрована функція. Регуляризуюча складова на другому етапі навчання використовується для штрафування за помилку округлення вихідного вектора ознак до дискретного виду і забезпечує реалізацію інформаційного пляшкового горла. На наступному етапі здійснюється обчислення двійкового коду кожного класу для реалізації кодів, що виправляють помилки, але з урахуванням структури класів і відношень між їх ознаками. Отриманий еталонний вектор кожного класу є цільовою розміткою зображення для навчання з використанням крос-ентропійної функції втрат. Останній етап навчання здійснює оптимізацією параметрів вирішувальних правил за інформаційним критерієм для врахування дисперсії розподілу класів в двійковому просторі Хеммінга. Для порівняння результатів навчання на різних етапах та в рамках різного підходу використовується мікро-усереднена метрика F1, що обчислюється на тестових даних. Результати, отримані на відкритому наборі даних Sewer-ML, підтверджують придатність запропонованого методу навчання до практичного використання, отримане значення F1- метрики дорівнює 0,977. Було показано, що запропонований метод забезпечує збільшення значення мікро-усередненої метрики F1 на 9 % порівняно з результатами, отриманими традиційним методом навчання.Item Модель та метод навчання для класифікаційного аналізу рівня води в стічних трубах за даними відео інспекції(Національний аерокосмічний університет "Харківський авіаційний інститут", 2021) Москаленко, В`ячеслав Васильович; Москаленко, Вячеслав Васильевич; Moskalenko, Viacheslav Vasylovych; Зарецький, Микола Олександрович; Зарецкий, Николай Александрович; Zaretskyi, Mykola Oleksandrovych; Коробов, Артем Геннадійович; Коробов, Артем Геннадьевич; Korobov, Artem Hennadiiovych; Ковальський, Ярослав Юрійович; Ковальский, Ярослав Юрьевич; Kovalskyi, Yaroslav Yuriiovych; Шаєхов, Артур Фанісович; Шаехов, Артур Фанисович; Shaiekhov, Artur Fanisovych; Семашко, Віктор Анатолійович; Семашко, Виктор Анатольевич; Semashko, Viktor Anatoliiovych; Панич, Андрій Олександрович; Паныч, Андрей Александрович; Panych, Andrii OleksandrovychРозроблено та досліджено модель та метод навчання для класифікаційного аналізу рівня води на кадрах відео інспекції стічних труб. Об’єктом дослідження є процес розпізнавання рівня води з урахуванням просторово-часового контексту під час інспекції стічних труб. Предметом дослідження є модель та метод машинного навчання для класифікаційного аналізу рівня води на відео-послідовностях інспекції труб за умов обмеженого та незбалансованого набору навчальних даних. Запропоновано чотирьохетапний алгоритм навчання класифікатора. На першому етапі навчання відбувається навчання з нормалізованою триплетною функцією втрат та регуляризуючою складовою для штрафування за помилку округлення вихідного сигналу мережі до двійкового коду. Наступний етап потрібний для визначення двійкового коду класу відповідно до принципів завадозахищеного кодування з самовиправленням помилок, але з урахуванням внутрікласових і міжкласових відношень. Обчислений еталонний вектор кожного класу використовується як цільова розмітка зразка для подальшого навчання з використанням об’єднаної крос-ентропійної функції втрат. Останній етап машинного навчання пов’язаний з оптимізацією параметрів вирішувальних правил за інформаційним критерієм для врахування меж відхилення двійкового подання спостережень кожного класу від відповідних еталонних векторів. Як модель класифікатора розглядається поєднання 2D згорткового екстрактора ознак кадру з темпоральною мережею для аналізу міжкадрових залежностей. При цьому виконується порівняння різних варіантів темпоральної мережі. Розглядаються 1D регулярна згорткова мережа з дірявими згортками, 1D каузальна згорткова мережа з дірявими згортками, рекурентна LSTM-мережа, рекурентна GRU-мережа. Порівняння ефективності моделей відбувається за мікро-усередненою метрикою F1, що обчислюється на тестовій вибірці. Результати, отримані на наборі даних від компанії Ace Pipe Cleaning (Канзас Сіті, США), підтверджують придатність моделі і методу навчання до практичного використання, отримане значення F1-метрики дорівнює 0,88. При цьому результати навчання за запропонованим методом порівнювалися з результатами, отриманими традиційним методом. Було показано, що запропонований метод забезпечує збільшення значення мікро-усередненої метрики F1 на 9 %.Item Інформаційна технологія розпізнавання шкіряних захворювань за зображенням(Сумський державний університет, 2020) Слєпченко, Д.М.Розроблено модель, алгоритм функціонування та програмну реалізацію інформаційної технології класифікаційного аналізу шкіряних захворювань на дермоскопічних знімках. В основі даної технології лежить використання глибоких згорткових нейронних мереж з детектуючим шаром YOLO. Розроблений алгоритм реалізовано у формі скриптів на мові програмування Python 3.Item Порівняльний аналіз методів розпізнавання образів на прикладі зображень облич(Сумський державний університет, 2018) Бутко, Б.В.Проведено огляд існуючих методів для виконання завдань розпізнавання зображень. Реалізовано методі з використанням k-nearest neighbors та Convolutional neural network. Проведено порівняльний аналіз методів.