Отрывок: Так как структуры EDSR для коэффициента 2 и 4 несколько отличаются друг от друга, лишь большая часть сети была инициализирована весами “двукратного собрата”. На рисунке 25 выделены блоки, инициализированные весами предобученной сети. Рисунок 25 – Структура сети EDSR. Голубая область показывает блоки, инициализированные весами сети с масштабным коэффициентом 2. Графики на рисунках 26 и 27, показывающие зависимости значения метрики и функции...
Название : | Исследование эффективности решения задачи суперэмплирования изображений с помощью глубоких нейронных сетей |
Авторы/Редакторы : | Чертков Б. И. Солдатова О. П. Соловьева Я. В. Министерство науки и высшего образования Российской Федерации Институт информатики математики и электроники |
Дата публикации : | 2021 |
Библиографическое описание : | Чертков, Б. И. Исследование эффективности решения задачи суперэмплирования изображений с помощью глубоких нейронных сетей : вып. квалификац. работа по направлению подгот. 09.03.01 "Информатика и вычислительная техника" (уровень бакалавриата). - Текст : электронный / Б. И. Чертков ; рук. работы О. П. Солдатова ; нормоконтролер Я. В. Соловьева ; М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т информатик. - Самара, 2021. - 1 файл (4,88 Мб) |
Аннотация : | Целью данной выпускной квалификационной работы бакалавра является изучение возможностей моделей глубоких нейронных сетей решать задачу суперсэмплирования изображений на примере улучшенной остаточной нейронной сети и генеративно-состязательной нейронной сети, проектирование и реализация программы суперсэмплирования изображений для экспериментальной оценки и сравнения работ нейронных сетей, поиск оптимальной конфигурации нейронной сети для достижения наилучших значений метрик, а также исследование влияния пред-тренировки сети на итоговый результат её работы по решению поставленной задачи. Спроектирована информационно-логическая модель автоматизированной системы в нотации UML. Система реализована на языке Python с помощью сред разработки Jupyter Lab и JetBrains PyCharm 2021.1. При реализации использовались библиотеки машинного обучения Tensorflow и Keras. |
Другие идентификаторы : | RU\НТБ СГАУ\ВКР20210927151951 |
Ключевые слова: | автоматизированные системы алгоритм обратного распределения ошибки алгоритм обучения генеративно-состязательные сети градиентная оптимизация машинное обучение нейронные сети остаточные сети суперэмплирование изображений |
Располагается в коллекциях: | Выпускные квалификационные работы |
Файлы этого ресурса:
Файл | Размер | Формат | |
---|---|---|---|
Чертков_Богдан_Игоревич_Исследование_эффективности_решения_задачи.pdf | 4.99 MB | Adobe PDF | Просмотреть/Открыть |
Показать полное описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.