Browsing by Author "Солдатенко, Дмитро Володимирович"

Now showing 1 - 3 of 3

Дослідження впливу обробки первинних даних на результати навчання нейромережі для розпізнання супутникових зображень
(Український державний університет науки і технологій, ІВК «Системні технології», 2022) Солдатенко, Дмитро Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: Правильна підготовка матеріалів для навчання нейронної мережі є одним з ключових етапів, від якого безпосередньо залежать усі подальші результати. Дослідження передбачає два випробування, перше з необробленими даними, а друге — зі спеціально підготовленими для навчання. Навчання нейронної мережі використовує дані для трьох різних класів, води, дерев і поля, результати тестів та інформацію про потенційні недоліки, надані після кожного тесту, а також рекомендації щодо покращення результатів. Результати проаналізовано та зроблено висновок, що вдосконалення первинних матеріалів для навчання нейронної мережі розпізнаванню супутникових зображень безпосередньо впливає на результат у кращий бік, а саме на 27,6% у разі використання підготовлених даних, у цьому дослідженні вони можуть відрізнятися залежно від умови.
Покращення ефективності розпізнавання супутникових зображень шляхом визначення обсягу навчальних даних
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2023) Солдатенко, Дмитро Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: Розпізнавання супутникових зображень є життєво важливим застосуванням комп’ютерного зору з потенційними варіантами використання в таких сферах, як боротьба зі стихійними лихами, землеробство та міське планування. Це дослідження спрямоване на визначення оптимальної кількості вхідних даних, та підбору оптимальних методів їх аугментації, необхідних для навчання нейронної мережі CNN для розпізнавання супутникових зображень. З цією метою проводиться серія експериментів, щоб дослідити вплив кількості вхідних даних на кілька показників продуктивності, включаючи точність, конвергенцію та узагальнення моделі. Дослідження пропонує кілька методів для визначення точки насичення та пом’якшення наслідків перенавчання. Результати, отримані в цьому дослідження, можуть допомогти в розробці більш ефективних моделей розпізнавання супутникових зображень.
Стратегії визначення оптимальної кількості вхідних даних для розпізнавання об’єктів на супутникових зображеннях
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2023) Солдатенко, Дмитро Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: Розпізнавання супутникових зображень є життєво важливим застосуванням комп’ютерного зору з численними потенційними варіантами використання в таких сферах, як боротьба зі стихійними лихами, землекористування та міське планування. Це дослідження спрямоване на визначення оптимальної кількості вхідних даних, необхідних для навчання нейронної мережі для розпізнавання супутникових зображень. З цією метою проводиться серія суворих експериментів, щоб дослідити вплив кількості вхідних даних на кілька показників продуктивності, включаючи точність, конвергенцію та узагальнення моделі. Висновки показують, що збільшення кількості вхідних даних загалом покращує продуктивність моделі до точки насичення, після якої подальше збільшення не призводить до значних покращень і навіть може призвести до переобладнання. Дослідження пропонує кілька стратегій для визначення цієї точки насичення та пом’якшення наслідків переобладнання. Результати, отримані в результаті цього дослідження, можуть допомогти в розробці більш ефективних моделей розпізнавання супутникових зображень.