Глубокое обучение для задачи классификации гиперспектральных изображений новообразований кожи

Лазарев К. Е.; Братченко И. А.; Калядин В. П.

Full metadata record

DC Field	Value	Language
dc.contributor.author	Лазарев К. Е.
dc.contributor.author	Братченко И. А.
dc.contributor.author	Калядин В. П.
dc.coverage.spatial	бинарная классификация
dc.coverage.spatial	гиперспектральные изображения
dc.coverage.spatial	глубокое обучение
dc.coverage.spatial	комбинированная архитектура нейросети
dc.coverage.spatial	метод рамановской спектроскопии
dc.coverage.spatial	новообразования кожи
dc.coverage.spatial	предобученный кодировщик
dc.coverage.spatial	сверточные нейросети
dc.creator	Лазарев К. Е.
dc.date	2025
dc.date.accessioned	2025-11-26T13:54:52Z	-
dc.date.available	2025-11-26T13:54:52Z	-
dc.date.issued	2025
dc.identifier.identifier	RU\НТБ СГАУ\ВКР20250625104832
dc.identifier.citation	Лазарев, К. Е. Глубокое обучение для задачи классификации гиперспектральных изображений новообразований кожи : вып. квалификац. работа по направлению подгот. 03.03.01 "Прикладные математика и физика" (уровень бакалавриата), направленность (профиль) "Киберфизические системы" / К. Е. Лазарев ; рук. работы И. А. Братченко ; нормоконтролер В. П. Калядин ; М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т информатики. - Самара, 2025. - 1 файл (3,6 Мб). - Текст : электронный
dc.identifier.uri	http://repo.ssau.ru/jspui/handle/123456789/44869	-
dc.description.abstract	Объектом исследования данной работы являются гиперспектральные изображения. Изображения получены методом Рамановской спектроскопии. Количество каналов изображений варьируется от 100 до 151 и ограничивается разрешающей способностью спектрометра. Цель работы – создание бинарного классификатора гиперспектральных изображений с возможностью интерпретации полученных предсказаний и разработка специализированного ПО для взаимодействия с ним. В процессе работы использована комбинированная архитектура нейросети, в которой соединены предобученный кодировщик и стандартная многослойная сверточная сеть. Над исходными данными произведена аугментация. В результате работы определено, что пиковая точность классификации приведенной архитектуры составила 1.00 для тестовой и 0.99 для тренировочной выборок. Эффективность работы заключается в возможности интерпретации предсказаний нейросети с помощью алгоритмов CAM, Grad-CAM, Guided backpropagation и Guided Grad-CAM. Представленная архитектура не является заранее предобученной моде
dc.subject	бинарная классификация
dc.subject	гиперспектральные изображения
dc.subject	глубокое обучение
dc.subject	комбинированная архитектура нейросети
dc.subject	метод рамановской спектроскопии
dc.subject	новообразования кожи
dc.subject	предобученный кодировщик
dc.subject	сверточные нейросети
dc.subject.rugasnti	50.31
dc.subject.udc	004.032.26
dc.title	Глубокое обучение для задачи классификации гиперспектральных изображений новообразований кожи
dc.type	Text
local.contributor.author	Министерство науки и высшего образования Российской Федерации
local.contributor.author	Самарский национальный исследовательский университет им. С. П. Королева (Самарский университет)
local.contributor.author	Институт информатики и кибернетики
local.identifier.olduri	http://repo.ssau.ru/handle/Vypusknye-kvalifikacionnye-raboty/Glubokoe-obuchenie-dlya-zadachi-klassifikacii-giperspektralnyh-izobrazhenii-novoobrazovanii-kozhi-115604
local.identifier.olduri	http://repo.ssau.ru/handle/Vypusknye-kvalifikacionnye-raboty/Glubokoe-obuchenie-dlya-zadachi-klassifikacii-giperspektralnyh-izobrazhenii-novoobrazovanii-kozhi-115604
Appears in Collections:	Выпускные квалификационные работы

Files in This Item:

File	Size	Format
Лазарев_Кирилл_Евгеньевич_Глубокое_обучение_задачи.pdf	3.72 MB	Adobe PDF	View/Open Request a copy

Show simple item record

Samara University Repository

Welcome!