Отрывок: Так, например, если IoU меж- ду исследуемым регионом и регионом, содержащим максимальную вероятность для данного класса, ниже выбранного порога, то данный регион может быть исключен. Для повышения точности определения IoU был разработан метод, позволяющий скорректиро- вать параметры ограничивающих прямоугольников – Bounding-box regression [25]. Его идея состоит в том, что после распознавания изображения региона с ис- пользов...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Андриянов, Н.А. | - |
dc.contributor.author | Дементьев, В.Е. | - |
dc.contributor.author | Ташлинский, А.Г. | - |
dc.date.accessioned | 2022-03-10 15:35:47 | - |
dc.date.available | 2022-03-10 15:35:47 | - |
dc.date.issued | 2022-01 | - |
dc.identifier | Dspace\SGAU\20220305\96077 | ru |
dc.identifier.citation | Андриянов, Н.А. Обнаружение объектов на изображении: от критериев Байеса и Неймана–Пирсона к детекторам на базе нейронных сетей EfficientDet / Н.А. Андриянов, В.Е. Дементьев, А.Г. Ташлинский // Компьютерная оптика. – 2022. – Т. 46, № 1. – С. 139-159. – DOI: 10.18287/2412-6179-CO-922. | ru |
dc.identifier.uri | 10.18287/2412-6179-CO-922 | - |
dc.identifier.uri | http://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Obnaruzhenie-obektov-na-izobrazhenii-ot-kriteriev-Baiesa-i-Neimana–Pirsona-k-detektoram-na-baze-neironnyh-setei-EfficientDet-96077 | - |
dc.description.abstract | Актуальность задач обнаружения и распознавания объектов на изображениях и их последовательностях с годами только возрастает. За последние несколько десятилетий предложено огромное количество подходов и методов обнаружения как аномалий, то есть областей изображения, характеристики которых отличаются от прогнозных, так и объектов интереса, о свойствах которых есть априорная информация, вплоть до библиотеки эталонов. В работе предпринята попытка системного анализа тенденций развития подходов и методов обнаружения, причин этого развития, а также метрик, предназначенных для оценки качества и достоверности обнаружения объектов. Рассмотрено обнаружение на основе математических моделей изображений. При этом особое внимание уделено подходам на основе моделей случайных полей и отношения правдоподобия. Проанализировано развитие сверточных нейронный сетей, направленных на задачи распознавания и обнаружения, включая ряд предобученных архитектур, обеспечивающих высокую эффективность при решении данной задачи. В них для обучения используются уже не математические модели, а библиотеки реальных снимков. Среди характеристик оценки качества обнаружения рассмотрены вероятности ошибок первого и второго рода, точность и полнота обнаружения, пересечение по объединению, интерполированная средняя точность. Также представлены типовые тесты, которые применяются для сравнения различных нейросетевых алгоритмов | ru |
dc.description.sponsorship | Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 20-17-50020 и частично проекта №19-29-09048. | ru |
dc.language.iso | rus | ru |
dc.publisher | Самарский национальный исследовательский университет | ru |
dc.relation.ispartofseries | 46;1 | - |
dc.subject | распознавание образов, обнаружение объектов, компьютерное зрение, обработка изображений, случайные поля, CNN, IoU, mAP, вероятность правильного обнаружения | ru |
dc.title | Обнаружение объектов на изображении: от критериев Байеса и Неймана–Пирсона к детекторам на базе нейронных сетей EfficientDet | ru |
dc.title.alternative | Detection of objects in the images: from likelihood relationships towards scalable and efficient neural networks | ru |
dc.type | Article | ru |
dc.textpart | Так, например, если IoU меж- ду исследуемым регионом и регионом, содержащим максимальную вероятность для данного класса, ниже выбранного порога, то данный регион может быть исключен. Для повышения точности определения IoU был разработан метод, позволяющий скорректиро- вать параметры ограничивающих прямоугольников – Bounding-box regression [25]. Его идея состоит в том, что после распознавания изображения региона с ис- пользов... | - |
dc.classindex.scsti | 28.23.15 | - |
Располагается в коллекциях: | Журнал "Компьютерная оптика" |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
17 Андриянов-Дементьев-Ташлинский_SV(Pics)-KI-Lit-JuN-MI-MA-JuN2-Gr.pdf | 2.23 MB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.