Детальная информация

Название: Алгоритмы машинного зрения для распознавания объектов аэрофотосъемки беспилотного летательного аппарата: выпускная квалификационная работа магистра: направление 12.04.01 «Приборостроение» ; образовательная программа 12.04.01_04 «Информационные технологии безопасности сложных систем»
Авторы: Милицын Виктор Алексеевич
Научный руководитель: Малыхина Галина Федоровна
Другие авторы: Мешалкина Марина Николаевна
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения: Санкт-Петербург, 2020
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: глубокие нейронные сети; машинное зрение; глубокое обучение; распознавание объектов; интеллектуальные системы; искусственный интеллект; deep neural networks; machine vision; deep learning; recognition of objects; intelligent systems; artificial intelligence
Тип документа: Выпускная квалификационная работа магистра
Тип файла: PDF
Язык: Русский
Уровень высшего образования: Магистратура
Код специальности ФГОС: 12.04.01
Группа специальностей ФГОС: 120000 - Фотоника, приборостроение, оптические и биотехнические системы и технологии
Ссылки: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2020/vr/vr20-3037
Права доступа: Доступ по паролю из сети Интернет (чтение)
Ключ записи: ru\spstu\vkr\9378

Разрешенные действия:

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

В данной работе представлено описание построения модели интеллектуальной системы на основе глубокого обучения. В ходе работы были даны общие термины и классификации методов обучения глубоких нейронных сетей. Также был проведен анализ алгоритмов, на основе которых было проведено обучение на реальных данных. Была подробно изучено обучение глубоких сверточных нейронных сетей в среде разработки Matlab. Кроме этого, в ходе выполнения данной работы были выявлены математические модели глубокого обучения, которые демонстрируют наилучшие результаты при классификации и распознавании исследуемых объектов на изображениях, которые были получены в ходе мониторинга беспилотным летательным аппаратом водных поверхностей. Также было проведено обучение глубокой сверточной нейронной сети на основе массива данных, который был получен в ходе программной обработки исходных изображений, используя метод трансформации образов множеством преобразований. Была осуществлена разработка программы искусственной интеллектуальной системы в среде Matlab.

This paper presents a description of the construction of a model of an intelligent system based on deep learning. In the course of the work, general terms and classification of teaching methods for deep neural networks were given. Algorithms were also analyzed, on the basis of which training was conducted on real data. The training of deep convolutional neural networks in the Matlab development environment was studied in detail. In addition, in the course of this work, mathematical models of deep learning were identified that demonstrate the best results in the classification and recognition of the studied objects in the images that were obtained during monitoring by an unmanned aerial vehicle of water surfaces. A deep convolutional neural network was also trained on the basis of the data array that was obtained during the software processing of the original images using the method of image transformation by a variety of transformations. An artificial intelligence system program was developed in the Matlab environment.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать
Внешние организации №2 Все Прочитать
Внешние организации №1 Все
Интернет Авторизованные пользователи СПбПУ Прочитать
Интернет Авторизованные пользователи (не СПбПУ, №2) Прочитать
Интернет Авторизованные пользователи (не СПбПУ, №1)
-> Интернет Анонимные пользователи

Статистика использования

stat Количество обращений: 21
За последние 30 дней: 0
Подробная статистика