Отрывок: Для оценки качества модели оба параметра были установлены в 50%. Таким образом, в первой модели использованы все выученные связи между нейронами. Во втором варианте был произведен прунинг (удаление связей) между некоторыми нейронами модели. Для оценки эффективности были использованы метрики mAP (средняя точность), mAR (средняя полнота) и F1-score (комплексирующая точность и полноту). Однако ...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorАндриянов Н. А.ru
dc.coverage.spatialYOLOru
dc.coverage.spatialавиационная безопасностьru
dc.coverage.spatialфайн-тюнингru
dc.coverage.spatialпрунингru
dc.coverage.spatialраспознавание образовru
dc.coverage.spatialрентгеновские снимки багажаru
dc.coverage.spatialобнаружение объектовru
dc.creatorАндриянов Н. А.ru
dc.date.accessioned2023-10-05 09:28:34-
dc.date.available2023-10-05 09:28:34-
dc.date.issued2023ru
dc.identifierRU\НТБ СГАУ\541859ru
dc.identifier.citationАндриянов, Н. А. Обнаружение запрещенных объектов багажа на основе методов компьютерного зрения / Н. А. Андриянов // 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, 2023Распознавание, обработка и анализ изображений / под ред. В. В. Сергеева. - 2023. - С. 032292.ru
dc.identifier.urihttp://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Obnaruzhenie-zapreshennyh-obektov-bagazha-na-osnove-metodov-komputernogo-zreniya-106007-
dc.description.abstractВ статье рассматривается подход к обработке рентгеновских снимков багажа на основе трансферного обучения нейронной сети YOLO. Показано, что после прунинга модели можно обеспечить ускорение модели без значительной потери качества. В смысле метрики F1-score удалось добиться 86% при уверенности 50%. Тестирование модели на новых данных показало хорошее качество разработанного решения.ru
dc.language.isorusru
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. 3 : Распознавание, обработка и анализ изображенийru
dc.titleОбнаружение запрещенных объектов багажа на основе методов компьютерного зренияru
dc.typeTextru
dc.citation.spage032292ru
dc.citation.volume3ru
dc.textpartДля оценки качества модели оба параметра были установлены в 50%. Таким образом, в первой модели использованы все выученные связи между нейронами. Во втором варианте был произведен прунинг (удаление связей) между некоторыми нейронами модели. Для оценки эффективности были использованы метрики mAP (средняя точность), mAR (средняя полнота) и F1-score (комплексирующая точность и полноту). Однако ...-
Располагается в коллекциях: Информационные технологии и нанотехнологии

Файлы этого ресурса:
Файл Размер Формат  
978-5-7883-1919-3_2023-032292.pdf428.79 kBAdobe PDFПросмотреть/Открыть
Показать базовое описание ресурса Просмотр статистики
Поделиться:



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