Отрывок: Ко- личество изображений в наборах данных и количе- ство классов приведены в табл. 1. Табл. 1. Распределение данных по классам и количество классов Набор данных Количество классов Количество изображений All 595 28272 Top-100 100 14941 Top-50 50 10584 Normalized 213 27582 Обучение производилось на базе платформы Google Colaboratory при помощи библиотеки Tensorflow. Для сравнения были обучены 3 модели на 4 наборах данных. ...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorБелько, А.В.-
dc.contributor.authorДобратулин, К.С.-
dc.contributor.authorКузнецов, А.В.-
dc.date.accessioned2021-10-13 09:37:04-
dc.date.available2021-10-13 09:37:04-
dc.date.issued2021-09-
dc.identifierDspace\SGAU\20211010\91896ru
dc.identifier.citationБелько, А.В. Классификация изображений оперения для определения видовой принадлежности птиц / А.В. Белько, К.С. Добратулин, А.В. Кузнецов // Компьютерная оптика. – 2021. – Т. 45, № 5. – С. 749-755. – DOI: 10.18287/2412-6179-CO-836.ru
dc.identifier.uri10.18287/2412-6179-CO-836-
dc.identifier.urihttp://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Klassifikaciya-izobrazhenii-opereniya-dlya-opredeleniya-vidovoi-prinadlezhnosti-ptic-91896-
dc.description.abstractВ работе исследуется возможность применения нейронных сетей для классификации изображений оперения с целью определения видовой принадлежности птиц. Таксономическая идентификация птиц по перу широко применяется в авиационной орнитологии для анализа столкновений с летательными аппаратами и разработки методов их предотвращения. В данной статье производится обучение на основе набора данных с фотографиями оперения птиц. Проводится сравнение классификаторов, обученных на четырех выборках из исходного набора данных. Предлагается метод идентификации птиц по изображениям с реальными данными на основе нейронных сетей YoloV4 и моделей группы DenseNet. Проведенная экспериментальная оценка показала, что предложенный метод позволяет определить видовую принадлежность птицы по фотографии отдельного пера с точностью до 81,03 % для точной классификации и с точностью 97,09 % для первых пяти предсказаний классификатора.ru
dc.language.isorusru
dc.publisherСамарский национальный исследовательский университетru
dc.relation.ispartofseries45;5-
dc.subjectмашинное зрениеru
dc.subjectраспознавание образовru
dc.subjectсверточные нейронные сетиru
dc.subjectавиационная орнитологияru
dc.titleКлассификация изображений оперения для определения видовой принадлежности птицru
dc.title.alternativeClassification of plumage images for identifying bird speciesru
dc.typeArticleru
dc.textpartКо- личество изображений в наборах данных и количе- ство классов приведены в табл. 1. Табл. 1. Распределение данных по классам и количество классов Набор данных Количество классов Количество изображений All 595 28272 Top-100 100 14941 Top-50 50 10584 Normalized 213 27582 Обучение производилось на базе платформы Google Colaboratory при помощи библиотеки Tensorflow. Для сравнения были обучены 3 модели на 4 наборах данных. ...-
dc.classindex.scsti28.23.15-
Располагается в коллекциях: Журнал "Компьютерная оптика"

Файлы этого ресурса:
Файл Описание Размер Формат  
14_Белько-Добратулин-Кузнецов_SV(Pics)-KI-Jun-Lit-MI-MA-NL-JuN2-!.pdfОсновная статья1.44 MBAdobe PDFПросмотреть/Открыть



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