Навчання моделей згорткових нейронних мереж виявленню об’єктів, сцен і контекстів на зображеннях
Мета. Дослідження присвячене розробці оптимізованої згорткової нейронної мережі (CNN) для виявлення об'єктів, сцен та контекстів у різноманітних зображеннях. Дослідження зосереджується на вдосконаленні архітектури, методів навчання та продуктивності CNN у завданнях комп'ютерного зору, що...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Oles Honchar Dnipro National University
2024-11-01
|
| Series: | Challenges and Issues of Modern Science |
| Subjects: | |
| Online Access: | https://cims.fti.dp.ua/j/article/view/236 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1823858914730442752 |
|---|---|
| author | Роман Орлов Сергій Таборанський |
| author_facet | Роман Орлов Сергій Таборанський |
| author_sort | Роман Орлов |
| collection | DOAJ |
| description |
Мета. Дослідження присвячене розробці оптимізованої згорткової нейронної мережі (CNN) для виявлення об'єктів, сцен та контекстів у різноманітних зображеннях. Дослідження зосереджується на вдосконаленні архітектури, методів навчання та продуктивності CNN у завданнях комп'ютерного зору, що є важливим для різних галузей. Дизайн / Метод / Підхід. У дослідженні використовуються Python, TensorFlow та Keras для створення та навчання CNN на наборі даних CIFAR-10. Для покращення продуктивності моделі було застосовано налаштування гіперпараметрів і техніки аугументації даних. Результати. Модель CNN, навчена на CIFAR-10, показала високу ефективність, досягнувши точності приблизно 85% на тестовому наборі, що підкреслює її здатність класифікувати різноманітні об’єкти. Методи аугментації даних значно покращили загальні результати, зробивши модель більш стійкою до варіацій у зображеннях. Теоретичне значення. Дослідження підкреслює важливість належної підготовки даних, включаючи нормалізацію та аугментацію зображень, для досягнення високої точності моделей CNN. Практичне значення. Застосування згорткових нейронних мереж у реальних сценаріях, таких як безпека, медицина та автономні системи, є революційним. Ці моделі можуть точно виявляти об'єкти та розуміти контексти, відкриваючи нові можливості для інновацій та автоматизації у різних галузях. Оригінальність / Цінність. Дане дослідження робить цінний внесок у сферу вивчення згорткових нейронних мереж, демонструючи успішне навчання та оптимізацію моделі для виявлення об'єктів. Поєднання аугментації даних, дизайну архітектури та налаштування гіперпараметрів підкреслює ефективний підхід до досягнення високої точності. Обмеження дослідження / Майбутні дослідження. Майбутні дослідження можуть робити фокус на альтернативні архітектури CNN та більші набори даних для підвищення точності виявлення об'єктів. Крім того, впровадження нових стратегій навчання може покращити продуктивність моделі в складніших і різноманітніших середовищах. Тип статті. Прикладне дослідження.
PURL: https://purl.org/cims/2403.018
|
| format | Article |
| id | doaj-art-6d81c62851544d9289c06f1754529998 |
| institution | Kabale University |
| issn | 3083-5704 |
| language | English |
| publishDate | 2024-11-01 |
| publisher | Oles Honchar Dnipro National University |
| record_format | Article |
| series | Challenges and Issues of Modern Science |
| spelling | doaj-art-6d81c62851544d9289c06f17545299982025-02-11T09:46:16ZengOles Honchar Dnipro National UniversityChallenges and Issues of Modern Science3083-57042024-11-013Навчання моделей згорткових нейронних мереж виявленню об’єктів, сцен і контекстів на зображенняхРоман Орлов0https://orcid.org/0009-0001-2576-8513Сергій Таборанський1https://orcid.org/0009-0009-8349-8644Приватний заклад вищої освіти Харківський технологічний університет ШАГ Приватний заклад вищої освіти Харківський технологічний університет ШАГ Мета. Дослідження присвячене розробці оптимізованої згорткової нейронної мережі (CNN) для виявлення об'єктів, сцен та контекстів у різноманітних зображеннях. Дослідження зосереджується на вдосконаленні архітектури, методів навчання та продуктивності CNN у завданнях комп'ютерного зору, що є важливим для різних галузей. Дизайн / Метод / Підхід. У дослідженні використовуються Python, TensorFlow та Keras для створення та навчання CNN на наборі даних CIFAR-10. Для покращення продуктивності моделі було застосовано налаштування гіперпараметрів і техніки аугументації даних. Результати. Модель CNN, навчена на CIFAR-10, показала високу ефективність, досягнувши точності приблизно 85% на тестовому наборі, що підкреслює її здатність класифікувати різноманітні об’єкти. Методи аугментації даних значно покращили загальні результати, зробивши модель більш стійкою до варіацій у зображеннях. Теоретичне значення. Дослідження підкреслює важливість належної підготовки даних, включаючи нормалізацію та аугментацію зображень, для досягнення високої точності моделей CNN. Практичне значення. Застосування згорткових нейронних мереж у реальних сценаріях, таких як безпека, медицина та автономні системи, є революційним. Ці моделі можуть точно виявляти об'єкти та розуміти контексти, відкриваючи нові можливості для інновацій та автоматизації у різних галузях. Оригінальність / Цінність. Дане дослідження робить цінний внесок у сферу вивчення згорткових нейронних мереж, демонструючи успішне навчання та оптимізацію моделі для виявлення об'єктів. Поєднання аугментації даних, дизайну архітектури та налаштування гіперпараметрів підкреслює ефективний підхід до досягнення високої точності. Обмеження дослідження / Майбутні дослідження. Майбутні дослідження можуть робити фокус на альтернативні архітектури CNN та більші набори даних для підвищення точності виявлення об'єктів. Крім того, впровадження нових стратегій навчання може покращити продуктивність моделі в складніших і різноманітніших середовищах. Тип статті. Прикладне дослідження. PURL: https://purl.org/cims/2403.018 https://cims.fti.dp.ua/j/article/view/236виявлення об'єктівзгорткові нейронні мережікласифікація зображеньглибоке навчаннякомп'ютерний зір |
| spellingShingle | Роман Орлов Сергій Таборанський Навчання моделей згорткових нейронних мереж виявленню об’єктів, сцен і контекстів на зображеннях Challenges and Issues of Modern Science виявлення об'єктів згорткові нейронні мережі класифікація зображень глибоке навчання комп'ютерний зір |
| title | Навчання моделей згорткових нейронних мереж виявленню об’єктів, сцен і контекстів на зображеннях |
| title_full | Навчання моделей згорткових нейронних мереж виявленню об’єктів, сцен і контекстів на зображеннях |
| title_fullStr | Навчання моделей згорткових нейронних мереж виявленню об’єктів, сцен і контекстів на зображеннях |
| title_full_unstemmed | Навчання моделей згорткових нейронних мереж виявленню об’єктів, сцен і контекстів на зображеннях |
| title_short | Навчання моделей згорткових нейронних мереж виявленню об’єктів, сцен і контекстів на зображеннях |
| title_sort | навчання моделей згорткових нейронних мереж виявленню об єктів сцен і контекстів на зображеннях |
| topic | виявлення об'єктів згорткові нейронні мережі класифікація зображень глибоке навчання комп'ютерний зір |
| url | https://cims.fti.dp.ua/j/article/view/236 |
| work_keys_str_mv | AT romanorlov navčannâmodelejzgortkovihnejronnihmerežviâvlennûobêktívsceníkontekstívnazobražennâh AT sergíjtaboransʹkij navčannâmodelejzgortkovihnejronnihmerežviâvlennûobêktívsceníkontekstívnazobražennâh |