Отрывок: Так как размер S4 также 5х5, то размер набора признаков C5 равен 1х1: это означает полную связь между S4 и C5. Слой C5 обозначен как сверточный вместо полносвязного для того, чтобы если на вход LeNet-5 подать изображение большей размерности все остальное осталось бы без изменений, а размерность наборов признаков стала бы больше чем 1х1. Слой C5 имеет 10164 параметра обучения. На рисунке 12 представлена архитектура использованной нейронной сети. Рисуно...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Прончук К. А. | ru |
dc.contributor.author | Якимов П. Ю. | ru |
dc.contributor.author | Федосеев В. А. | ru |
dc.contributor.author | Суханов С. В. | ru |
dc.contributor.author | Министерство образования и науки Российской Федерации | ru |
dc.contributor.author | Самарский национальный исследовательский университет им. С. П. Королева (Самарский университет) | ru |
dc.contributor.author | Институт информатики | ru |
dc.contributor.author | математики и электроники | ru |
dc.coverage.spatial | веб-сервис | ru |
dc.coverage.spatial | сверточные нейронные сети | ru |
dc.coverage.spatial | классификация дорожных знаков | ru |
dc.coverage.spatial | каскадный классификатор | ru |
dc.coverage.spatial | cuba platform | ru |
dc.coverage.spatial | глубинное обучение | ru |
dc.creator | Прончук К. А. | ru |
dc.date.issued | 2018 | ru |
dc.identifier | RU\НТБ СГАУ\ВКР20180911140809 | ru |
dc.identifier.citation | Прончук, К. А. Разработка веб-сервиса для распознавания изображений при помощи сверточных нейронных сетей : вып. квалификац. работа по направлению подгот. (уровень магистратуры) "Прикладная математика и информатика" / К. А. Прончук ; рук. работы П. Ю. Якимов ; рец. В. А. Федосеев ; нормоконтролер С. В. Суханов ; М-во образования и науки Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т. - Самаpа, 2018. - on-line | ru |
dc.description.abstract | Целью работы являлась разработка многопользовательского сервиса по классификации дорожных знаков. Решение задачи классификации является одним из важнейших применений нейронных сетей. В настоящей статье предложен алгоритм для распознавания дорожных знаков на основе сверточных нейронных сетей. Для этого использовались современные подходы к распознаванию изображений, обучение нейронной сети происходило при помощи библиотеки TensorFlow и архитектуры параллельных вычислений CUDA. Для использования данной нейронной сети был также разработан веб-сервис на основе CUBA.platform. | ru |
dc.format.extent | Электрон. дан. (1 файл : 3,4 Мб) | ru |
dc.title | Разработка веб-сервиса для распознавания изображений при помощи сверточных нейронных сетей | ru |
dc.type | Text | ru |
dc.subject.rugasnti | 50.01 | ru |
dc.subject.udc | 004.032.26 | ru |
dc.textpart | Так как размер S4 также 5х5, то размер набора признаков C5 равен 1х1: это означает полную связь между S4 и C5. Слой C5 обозначен как сверточный вместо полносвязного для того, чтобы если на вход LeNet-5 подать изображение большей размерности все остальное осталось бы без изменений, а размерность наборов признаков стала бы больше чем 1х1. Слой C5 имеет 10164 параметра обучения. На рисунке 12 представлена архитектура использованной нейронной сети. Рисуно... | - |
Располагается в коллекциях: | Выпускные квалификационные работы |
Файлы этого ресурса:
Файл | Размер | Формат | |
---|---|---|---|
Прончук_Кирилл_Александрович_Разработка_сервиса.pdf | 3.48 MB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.