Отрывок: Для нахождения всех исследуемых животных в кадре используется модель YOLO V6. Изображения с найденными животными вырезаются по области чуть большей полученной ограничивающей области и по- даются на вход Keypoint R-CNN отдельно (см. рис. 9), как это сделано в [21]. Было замечено, что, если по- давать всю ограничивающую область, выбираются области интереса, которые почти всегда меньше всей картинки, из-за чего некоторые части тела не попа- дают в область. Поэтому было решено произ...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorЕгоров, А.Д.-
dc.contributor.authorРезник, М.С.-
dc.date.accessioned2023-02-28 16:19:06-
dc.date.available2023-02-28 16:19:06-
dc.date.issued2023-04-
dc.identifierDspace\SGAU\20230222\102127ru
dc.identifier.citationЕгоров, А.Д. Интерпретация действий животного по его изображению во времени, близком к реальному / А.Д. Егоров, М.С. Резник // Компьютерная оптика. – 2023. – Т. 47, № 2. – С. 278-286. – DOI: 10.18287/2412-6179-CO-1138.ru
dc.identifier.uri10.18287/2412-6179-CO-1138-
dc.identifier.urihttp://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Interpretaciya-deistvii-zhivotnogo-po-ego-izobrazheniu-vo-vremeni-blizkom-k-realnomu-102127-
dc.description.abstractОпределение действий объекта – сложная и актуальная задача компьютерного зрения. Такую задачу можно решать с помощью информации о положении ключевых точек объекта. Обучение моделей, определяющих положение ключевых точек, требует большой объём данных, включающих в себя информацию о положении этих ключевых точек. В связи с недостатком данных для обучения представлен метод для получения дополнительных данных, а также алгоритм, позволяющий получать высокую точность распознавания действий животных на основании малого числа данных. Достигнутая точность определения положений ключевых точек на тестовой выборке составила 92,3 %. По положению ключевых точек определяется действие объекта. Сравниваются различные подходы к классификации действий по ключевым точкам. Точность определения действий объекта на изображении достигает 73,5%.ru
dc.language.isorusru
dc.publisherСамарский национальный исследовательский университетru
dc.relation.ispartofseries47;2-
dc.subjectкомпьютерное зрениеru
dc.subjectобнаружение животныхru
dc.subjectклассификация действийru
dc.subjectнейронная сетьru
dc.subjectмашинное обучениеru
dc.subjectопорные моделиru
dc.subjectклассификация скелетаru
dc.subjectаугментация данныхru
dc.subjectKeypoint R-CNNru
dc.subjectMobile Netru
dc.titleИнтерпретация действий животного по его изображению во времени, близком к реальномуru
dc.title.alternativeNear real-time animal action recognition and classificationru
dc.typeArticleru
dc.textpartДля нахождения всех исследуемых животных в кадре используется модель YOLO V6. Изображения с найденными животными вырезаются по области чуть большей полученной ограничивающей области и по- даются на вход Keypoint R-CNN отдельно (см. рис. 9), как это сделано в [21]. Было замечено, что, если по- давать всю ограничивающую область, выбираются области интереса, которые почти всегда меньше всей картинки, из-за чего некоторые части тела не попа- дают в область. Поэтому было решено произ...-
dc.classindex.scsti28.23.15-
Располагается в коллекциях: Журнал "Компьютерная оптика"

Файлы этого ресурса:
Файл Описание Размер Формат  
2412-6179_2023_47-2_278-286.pdfОсновная статья2.23 MBAdobe PDFПросмотреть/Открыть



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