Детальная информация

Название: Распознавание объектов на морской поверхности с помощью глубоких предобученных нейронных сетей: выпускная квалификационная работа бакалавра: направление 12.03.01 «Приборостроение» ; образовательная программа 12.03.01_02 «Информационные технологии безопасности объектов»
Авторы: Мишарина Татьяна Андреевна
Научный руководитель: Милицын Алексей Владимирович
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения: Санкт-Петербург, 2022
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: распознавание объектов; нейронные сети; трансферное обучение; эффективность подготовки входных данных; object recognition; neural networks; transfer learning; efficiency of input data preparation
Тип документа: Выпускная квалификационная работа бакалавра
Тип файла: PDF
Язык: Русский
Уровень высшего образования: Бакалавриат
Код специальности ФГОС: 12.03.01
Группа специальностей ФГОС: 120000 - Фотоника, приборостроение, оптические и биотехнические системы и технологии
DOI: 10.18720/SPBPU/3/2022/vr/vr22-2738
Права доступа: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Дополнительно: Новинка
Ключ записи: ru\spstu\vkr\19673

Разрешенные действия:

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

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

Тема выпускной квалификационной работы: «Распознавание объектов на морской поверхности с помощью глубоких предобученных нейронных сетей». Данная работа посвящена адаптации глубоких предобученных нейронных сетей для распознавания объектов на морской поверхности. Задачи, которые решались в ходе разработки: Изучение существующих методов распознавания объектов; Сравнение методов обучения: SGDM, RMSProp, Adam;Обучение, тестирование исследуемых сетей и сравнение результатов; Подготовка нового набора входных данных; Обучение, тестирование исследуемых сетей на новом наборе данных и сравнение результатов. В ходе проведения данной работы был произведен обзор существующих методов распознавания объектов. Был проведен сравнительный анализ методов обучения (SGDM, RMSProp, Adam) глубоких нейронных сетей классификации, и анализ результатов обучения и тестирования 5 нейронных сетей (SqueezeNet, GoogLeNet, ResNet-50, EfficientNet-b0, DarkNet-53). Также было разработано программное обеспечение для создания нового набора входных данных, и проведен сравнительный анализ результатов работы сетей на подготовленных данных и на исходных. В результате все исследуемые нейронные сети были адаптированы для распознавания объектов на морской поверхности.

The topic of the graduate qualification work is “Recognition of objects on the sea surface using deep pre-trained neural networks”. This work is devoted to the adaptation of deep pre-trained neural networks for the recognition of objects on the sea surface. Tasks that were solved during the development:Study of existing object recognition methods;Comparison of training methods: SGDM, RMSProp, Adam;Training, testing of the studied networks and comparison of results;Preparing a new set of input data;Training, testing of the studied networks on a new data set and comparing the results.In the course of this work, an overview of existing object recognition methods was made. A comparative analysis of training methods (SGDM, RMSProp, Adam) of deep neural classification networks was carried out, and an analysis of the results of training and testing of 5 neural networks (SqueezeNet, GoogLeNet, ResNet-50, EfficientNet-b0, DarkNet-53). Software was also developed to create a new set of input data, and a comparative analysis of the results of the networks on the prepared data and on the source data was carried out.As a result, all the studied neural networks were adapted to recognize objects on the sea surface.

Права на использование объекта хранения

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

Статистика использования

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