Факультет електроніки та інформаційних технологій (ЕлІТ)
Permanent URI for this communityhttps://devessuir.sumdu.edu.ua/handle/123456789/20
Browse
3 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.