Аннотация к дипломной работе «Нейронные сети глубокого обучения в задачах распознавания. изображений» Карасёв Артём Валерьевич. Научный руководитель — доцент Хейдоров И. Э.


Чтобы посмотреть этот PDF файл с форматированием и разметкой, скачайте его и откройте на своем компьютере.
МИНИСТЕРСТВО ОБРАЗОВАНИЯ

РЕСПУБЛИКИ БЕЛАРУСЬ

БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

ФАКУЛЬТЕТ РАДИОФИЗИКИ И КОМПЬЮТЕРНЫХ

ТЕХНОЛОГИЙ

Кафедра информатики и компьютерных систем




Аннотация к дипломной работе

«
Нейронные сети глубокого обучения в задачах
распознавания
изображений
»


Карасёв Артём Валерьевич






Научный руководитель



доцент

Хейдоров И. Э.







Минск, 201
7



РЕФЕРАТ

Дипломная работа, 45 с., 19 рис., 6 источников.

Ключевые слова: НЕЙРОННАЯ СЕТЬ, ФИЛЬТРЫ, АЛГОРИТМЫ
РАСПОЗНАВАНИЯ ОБРАЗОВ,
СВЁРТОЧНАЯ НЕЙРОННАЯ СЕТЬ,
ПЕРЦЕПТРОН, НЕЙРОН, ПОЛНОСВЯЗНАЯ СЕТЬ, ОБРАТНОЕ
РАСПРОСТРАНЕНИЕ, CONVOLUTION, POOLING, ФУНКЦИЯ АКТИВАЦИИ

Объектом исследования являются глубокие нейронные сети. Цель работы
-

изучить современные методы построения систем распознав
ания изображений
на основе глубоких нейронных сетей. Для решения задач применяются
свёрточные нейронные сети. Создана система, определяющая вид животного на
изображении, с использованием языка программирования Python и программных
пакетов TanserFlow и Kera
s. Проведён анализ архитектуры нейронной сети
использованной в приложении. Получен положительный результат работы
системы
-

92 % распознавания.




РЭФЕРАТ

Дыпломная праца, 45 с., 19 мал., 6 крыніц.

Ключавыя словы: НЕЙРОННЫХ СЕТКУ, ФIЛЬТРЫ, АЛГАРЫТМ
РАСПАЗН
АВАННЯ ОБРАЗАУ, СВЁРТОЧНАЯ НЕЙРОННЫХ СЕТАК,
ПЕРСЕПТРОН, НЕЙРОНЫ, ПАУНАЗЛУЧНАЯ СЕТКА, ЗВАРОТНАЯ
РАСПАЎСЮД, CONVOLUTION, POOLING, ФУНКЦЫЯ АКТЫВАЦЫЮ

Аб'ектам даследавання з'яўляюцца глыбокія нейронавыя сеткі. Мэта
работы
-

вывучыць сучасныя метады пабудовы сі
стэм распазнання малюнкаў на
аснове глыбокіх нейронавых сетак. Для вырашэння задач прымяняюцца
свёрточные нейронавыя сеткі. Створана сістэма, якая вызначае выгляд жывёлы
на малюнку, з выкарыстаннем мовы праграмавання Python і праграмных пакетаў
TanserFlow
і Keras. Праведзены аналіз архітэктуры нейронавай сеткі
выкарыстанай у дадатку. Атрыманы станоўчы вынік працы сістэмы
-

92%
распазнавання.




ABSTRACT

Thesis, 45 p., 19 pic., 6 sources.

Keywords: NEURAL NETWORK, FILTERS, ALGORITHMS OF
IDENTIFICATION,
NON
-
ERROR NEURAL NETWORK, PERCEPTRON,
NEURON, COMPLETE NETWORK, REVERSE DISTRIBUTION,
CONVOLUTION, POOLING, ACTIVATION FUNCTION

n systems based on deep neural
created that determines the type of animal on the image, using the Python programming
language and the TanserFlow and Keras software packages.
The architecture of the
system
-

92% recognition.


Приложенные файлы

  • pdf 11098040
    Размер файла: 229 kB Загрузок: 1

Добавить комментарий