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...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Чертков Б. И. | ru |
dc.contributor.author | Солдатова О. П. | ru |
dc.contributor.author | Соловьева Я. В. | ru |
dc.contributor.author | Министерство науки и высшего образования Российской Федерации | ru |
dc.contributor.author | Институт информатики | ru |
dc.contributor.author | математики и электроники | ru |
dc.coverage.spatial | автоматизированные системы | ru |
dc.coverage.spatial | алгоритм обратного распределения ошибки | ru |
dc.coverage.spatial | алгоритм обучения | ru |
dc.coverage.spatial | генеративно-состязательные сети | ru |
dc.coverage.spatial | градиентная оптимизация | ru |
dc.coverage.spatial | машинное обучение | ru |
dc.coverage.spatial | нейронные сети | ru |
dc.coverage.spatial | остаточные сети | ru |
dc.coverage.spatial | суперэмплирование изображений | ru |
dc.creator | Чертков Б. И. | ru |
dc.date.issued | 2021 | ru |
dc.identifier | RU\НТБ СГАУ\ВКР20210927151951 | ru |
dc.identifier.citation | 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) | ru |
dc.description.abstract | 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. | ru |
dc.format.extent | Электрон. дан. (1 файл : 4,9 Мб) | ru |
dc.title | Исследование эффективности решения задачи суперэмплирования изображений с помощью глубоких нейронных сетей | ru |
dc.type | Text | ru |
dc.subject.rugasnti | 50.01 | ru |
dc.subject.udc | 004.032.26 | ru |
dc.textpart | 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... | - |
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 базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.