Отрывок: Наиболее распространенные функции активации включают в себя: 1. Гиперболический тангенс: 𝑓(𝑥) = tanh(𝑥), (2.7) 2. Сигмоидальную функцию: 𝑓(𝑥) = 1 1+ 𝑒𝑥𝑝−𝑥 , (2.8) 3. SoftMax: 𝑓(𝑥) = 𝑒𝑥𝑝𝑥 ∑ 𝑒𝑥𝑝𝑥𝑖𝐾𝑖=1 , (2.9) 4. ReLU: 𝑓(𝑥) = max (0, 𝑥). (2.10) Каждая функция активации имеет свои преимущества и недостатки. Например, благодаря ограниченности выход...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorПахомов Е. В.ru
dc.contributor.authorСолдатова О. П.ru
dc.contributor.authorСоловьева Я. В.ru
dc.contributor.authorМинистерство науки и высшего образования Российской Федерацииru
dc.contributor.authorСамарский национальный исследовательский университет им. С. П. Королева (Самарский университет)ru
dc.contributor.authorИнститут информатики и кибернетикиru
dc.coverage.spatialавтоматизированные системыru
dc.coverage.spatialалгоритм обратного распространения ошибкиru
dc.coverage.spatialалгоритмы обученияru
dc.coverage.spatialгенеративно-состязательные нейронные сетиru
dc.coverage.spatialметоды оптимизацииru
dc.coverage.spatialнейросетевые моделиru
dc.coverage.spatialсверточные нейронные сетиru
dc.coverage.spatialсуперсэмплирование изображенийru
dc.coverage.spatialулучшение качества изображенийru
dc.creatorПахомов Е. В.ru
dc.date.accessioned2023-10-06 16:09:14-
dc.date.available2023-10-06 16:09:14-
dc.date.issued2023ru
dc.identifierRU\НТБ СГАУ\ВКР20230927131913ru
dc.identifier.citationПахомов, Е. В. Исследование моделей свёрточных и генеративно-состязательных нейронных сетей для решения задачи улучшения качества изображений : вып. квалификац. работа по направлению подгот. 09.03.01 "Информатика и вычислительная техника" (уровень бакалавриата), профиль "Информационные системы и технологии" / Е. В. Пахомов ; 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, 2023. - 1 файл (3,3 Мб). - Текст : электронныйru
dc.identifier.urihttp://repo.ssau.ru/handle/Vypusknye-kvalifikacionnye-raboty/Issledovanie-modelei-svertochnyh-i-generativnosostyazatelnyh-neironnyh-setei-dlya-resheniya-zadachi-uluchsheniya-kachestva-izobrazhenii-106054-
dc.description.abstractЦелью данной выпускной квалификационной работы бакалавра является исследование и анализ методов повышения разрешения изображений с целью улучшения их качества с помощью различных моделей нейронных сетей. В ходе работы проведено экспериментальное исследование различных нейросетевых моделей на основе стандартных и пользовательских метрик для оценки качества изображений, дана оценка производительности различных архитектур. Результатом работы является программное обеспечение улучшения качества изображений, которое может быть использовано в различных областях. В работе рассчитаны оценки эффективности различных моделей и даны рекомендации по выбору оптимальных архитектур нейронных сетей для достижения лучшего качества изображений. Спроектирована информационно-логическая модель интеллектуальной системы в нотации UML. Система реализована на языке Python с помощью средразработки Jupyter Notebook и JetBrains PyCharm 2021.1 для работы под управлением любой операционной системой, имеющей интерпретатор Python.ru
dc.titleИсследование моделей свёрточных и генеративно-состязательных нейронных сетей для решения задачи улучшения качества изображенийru
dc.typeTextru
dc.subject.rugasnti50.01ru
dc.subject.udc004.032.26ru
dc.textpartНаиболее распространенные функции активации включают в себя: 1. Гиперболический тангенс: 𝑓(𝑥) = tanh(𝑥), (2.7) 2. Сигмоидальную функцию: 𝑓(𝑥) = 1 1+ 𝑒𝑥𝑝−𝑥 , (2.8) 3. SoftMax: 𝑓(𝑥) = 𝑒𝑥𝑝𝑥 ∑ 𝑒𝑥𝑝𝑥𝑖𝐾𝑖=1 , (2.9) 4. ReLU: 𝑓(𝑥) = max (0, 𝑥). (2.10) Каждая функция активации имеет свои преимущества и недостатки. Например, благодаря ограниченности выход...-
Располагается в коллекциях: Выпускные квалификационные работы

Файлы этого ресурса:
Файл Размер Формат  
Пахомов_Евгений_Вячеславович_Исследование_моделей_свёрточных.pdf3.43 MBAdobe PDFПросмотреть/Открыть  
Показать базовое описание ресурса Просмотр статистики
Поделиться:



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