Отрывок: Для оценки качества модели оба параметра были установлены в 50%. Таким образом, в первой модели использованы все выученные связи между нейронами. Во втором варианте был произведен прунинг (удаление связей) между некоторыми нейронами модели. Для оценки эффективности были использованы метрики mAP (средняя точность), mAR (средняя полнота) и F1-score (комплексирующая точность и полноту). Однако ...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Андриянов Н. А. | ru |
dc.coverage.spatial | YOLO | ru |
dc.coverage.spatial | авиационная безопасность | ru |
dc.coverage.spatial | файн-тюнинг | ru |
dc.coverage.spatial | прунинг | ru |
dc.coverage.spatial | распознавание образов | ru |
dc.coverage.spatial | рентгеновские снимки багажа | ru |
dc.coverage.spatial | обнаружение объектов | ru |
dc.creator | Андриянов Н. А. | ru |
dc.date.accessioned | 2023-10-05 09:28:34 | - |
dc.date.available | 2023-10-05 09:28:34 | - |
dc.date.issued | 2023 | ru |
dc.identifier | RU\НТБ СГАУ\541859 | ru |
dc.identifier.citation | Андриянов, Н. А. Обнаружение запрещенных объектов багажа на основе методов компьютерного зрения / Н. А. Андриянов // Информационные технологии и нанотехнологии (ИТНТ-2023) : сб. тр. по материалам IX Междунар. конф. и молодеж. шк. (г. Самара, 17-23 апр. 2023 г.): в 6 т. / М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем обраб. изобр. РАН - Фил. Федер. науч.-исслед. центра "Кристаллография и фотоника" Рос. акад. наук. - Самара : Изд-во Самар. ун-та, 2023Распознавание, обработка и анализ изображений / под ред. В. В. Сергеева. - 2023. - С. 032292. | ru |
dc.identifier.uri | http://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Obnaruzhenie-zapreshennyh-obektov-bagazha-na-osnove-metodov-komputernogo-zreniya-106007 | - |
dc.description.abstract | В статье рассматривается подход к обработке рентгеновских снимков багажа на основе трансферного обучения нейронной сети YOLO. Показано, что после прунинга модели можно обеспечить ускорение модели без значительной потери качества. В смысле метрики F1-score удалось добиться 86% при уверенности 50%. Тестирование модели на новых данных показало хорошее качество разработанного решения. | ru |
dc.language.iso | rus | ru |
dc.relation.ispartof | Информационные технологии и нанотехнологии (ИТНТ-2023) : сб. тр. по материалам IX Междунар. конф. и молодеж. шк. (г. Самара, 17-23 апр. 2023 г.): в 6 | ru |
dc.source | Информационные технологии и нанотехнологии (ИТНТ-2023). - Т. 3 : Распознавание, обработка и анализ изображений | ru |
dc.title | Обнаружение запрещенных объектов багажа на основе методов компьютерного зрения | ru |
dc.type | Text | ru |
dc.citation.spage | 032292 | ru |
dc.citation.volume | 3 | ru |
dc.textpart | Для оценки качества модели оба параметра были установлены в 50%. Таким образом, в первой модели использованы все выученные связи между нейронами. Во втором варианте был произведен прунинг (удаление связей) между некоторыми нейронами модели. Для оценки эффективности были использованы метрики mAP (средняя точность), mAR (средняя полнота) и F1-score (комплексирующая точность и полноту). Однако ... | - |
Располагается в коллекциях: | Информационные технологии и нанотехнологии |
Файлы этого ресурса:
Файл | Размер | Формат | |
---|---|---|---|
978-5-7883-1919-3_2023-032292.pdf | 428.79 kB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.