Отрывок: Scanned real fractures from the public Quixel Megascans dataset (Figure 1) [12] were selected as the basis for generating fracture variations. Fig. 1. Examples of Photorealistic Fracture Materials Used to Generate the Synthetic Training Dataset Thus, to identify mechanical defects of surfaces and roofing, more than a thousand images were synthesized, copies of ...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorZherdeva L. A.ru
dc.contributor.authorMinaev E. Y.ru
dc.contributor.authorFirsov N. A.ru
dc.coverage.spatialconvolutional neural networksru
dc.coverage.spatialcracksru
dc.coverage.spatialdamage modelingru
dc.coverage.spatialтрещиныru
dc.coverage.spatialсверточные нейронные сетиru
dc.creatorZherdeva L. A., Minaev E. Y., Firsov N. A.ru
dc.date.accessioned2023-10-03 15:46:11-
dc.date.available2023-10-03 15:46:11-
dc.date.issued2023ru
dc.identifierRU\НТБ СГАУ\541331ru
dc.identifier.citationZherdeva, L. A. Building surface damage recognition based on synthetic data / L. A. Zherdeva, E. Y. Minaev, N. A. Firsov // Информационные технологии и нанотехнологии (ИТНТ-2023) : сб. тр. по материалам IX Междунар. конф. и молодеж. шк. (г. Самара, 17-23 апр. 2023 г.): в 6 т. / М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем обраб. изобр. РАН - Фил. Федер. науч.-исслед. центра "Кристаллография и фотоника" Рос. акад. наук. - Самара : Изд-во Самар. ун-та, 2023Т. 4: Искусственный интеллект / под. ред. А. В. Никонорова. - 2023. - С. 041532.ru
dc.identifier.urihttp://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Building-surface-damage-recognition-based-on-synthetic-data-105734-
dc.description.abstractTo detect surface damage to buildings, it is necessary to involve workers who are at risk of industrial injuries when inspecting hard-to-reach areas of industrialpremises. Attraction of special means, such as aerial platforms, safety systems, etc. increase the financial costs with this approach. The use of unmanned aerial vehicles, coupled withneural network algorithms, can simplify this procedure. Due tothe inaccessibility, the problem of obtaining training data forneural networks arises, which can be solved by synthesizingthem in a virtual environment.ru
dc.language.isoengru
dc.relation.ispartofИнформационные технологии и нанотехнологии (ИТНТ-2023) : сб. тр. по материалам IX Междунар. конф. и молодеж. шк. (г. Самара, 17-23 апр. 2023 г.): в 6ru
dc.sourceИнформационные технологии и нанотехнологии (ИТНТ-2023). - Т. 4 : Искусственный интеллектru
dc.titleBuilding surface damage recognition based on synthetic dataru
dc.typeTextru
dc.citation.spage041532ru
dc.citation.volume4ru
dc.textpartScanned real fractures from the public Quixel Megascans dataset (Figure 1) [12] were selected as the basis for generating fracture variations. Fig. 1. Examples of Photorealistic Fracture Materials Used to Generate the Synthetic Training Dataset Thus, to identify mechanical defects of surfaces and roofing, more than a thousand images were synthesized, copies of ...-
Располагается в коллекциях: Информационные технологии и нанотехнологии

Файлы этого ресурса:
Файл Размер Формат  
978-5-7883-1920-9_2023-041532.pdf320.6 kBAdobe PDFПросмотреть/Открыть
Показать базовое описание ресурса Просмотр статистики
Поделиться:



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.