Таблица | Карточка | RUSMARC | |
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
Объект исследования – синтез радиолокационных изображений. Цель работы – разработка и применение алгоритма синтеза РЛИ на основе глубокого обучения. В результате обзора классических методов, а также методов на основе глубокого обучения был сделан вывод о том, что для синтезирования наиболее подходящим является нейросетевой метод StyleGAN-2-ADA, поскольку данный метод прост в реализации, не требует большого количества обучающих данных, имеет большую скорость обучения, стабилен и имеет большие шансы на успешный результат. Этот метод обучался на наборе данных, состоящих из 1000 обработанных радиолокационных изображений. Обучение проводилось в среде Google Colab с помощью бесплатного графического процессора NVIDIA Tesla T4. Результаты были проанализированы при помощи критерия хи-квадрат и построения гистограмм. Искусственные изображения можно использовать в обучении новых технологий распознавания объектов. Использовались открытые образовательные ресурсы и программы поиска и анализа информации. Использовались средства автоматизации (автоматизированной) разработки python, Matlab. Применено (протестировано) программное обеспечение Matlab.
The object of research is the synthesis of radar images. The purpose of the work is the development and application of an algorithm for the synthesis of radar data based on deep learning. As a result of a review of classical methods, as well as methods based on deep learning, it was concluded that the StyleGAN-2-ADA neural network method is the most suitable for synthesizing, since this method is easy to implement, does not require a large amount of training data, and has a high speed. training, stable and has a high chance of a successful outcome. This method was trained on a dataset consisting of 1000 processed radar images. Training was conducted in the Google Colab environment using a free NVIDIA Tesla T4 GPU. The results were analyzed using the chi-square test and histograms. Artificial images can be used in teaching new conservation technologies. Open educational resources and programs for searching and analyzing information were used. We used automation tools for (automated) development of Python, Matlab. Applied (tested) Matlab software.
Права на использование объекта хранения
Место доступа | Группа пользователей | Действие | ||||
---|---|---|---|---|---|---|
Локальная сеть ИБК СПбПУ | Все | |||||
Интернет | Авторизованные пользователи СПбПУ | |||||
Интернет | Анонимные пользователи |
Статистика использования
Количество обращений: 2
За последние 30 дней: 0 Подробная статистика |