ДонНТУ   Портал магистров

Библиотека материалов по теме выпускной работы

    Собственные публикации и доклады

  1. Применение методов глубокого обучения в системе видеонаблюдения

    Авторы: М.С. Егорова, Т.В. Мартыненко, И.В. Ченгарь

    Описание: В статье поднимается вопрос об актуальности и важности исследований в области компьютерного зрения. Рассмотрены наиболее популярные модели глубокого обучения. Сделан вывод о перспективности применения подобных решений в области систем безопасности и видеонаблюдения, в частности.

    Источник: Егорова М.С., Мартыненко Т.В., Ченгарь И.В. Применение методов глубокого обучения в системе видеонаблюдения // Материалы IX Международной научно-технической конференции Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2018). – Донецк: ДонНТУ, 2018. – с. 172-176

  2. Современные тенденции в технологии машинного обучения

    Авторы: М.С. Егорова, Т.В. Мартыненко

    Описание: В статье рассмотрены основные новации в области методологии машинного обучения. Выполнен анализ современной научной литературы, посвященной вопросам развития методологии и областей прикладного использования рассматриваемых тем. Сформулированы предположения о будущих тенденциях и предложены наиболее перспективные направления исследований.

    Источник: Егорова М.С., Мартыненко Т.В. Современные тенденции в технологии машинного обучения // Материалы X Международной научно-технической конференции Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2019). – Донецк: ДонНТУ, 2019.

    3. Тематические статьи

  3. Receptive fields, binocular interaction, and functional architecture in the cat's visual cortex

    Авторы: D.H. Hubel, T.N. Wiesel

    Описание: В данной работе описаны наблюдения за реакцией на световые образы и принципы работы коры головного мозга по восприятию визуальной информации.

    Источник: J. Physiol (1962) with 2 plates and 20 text-figures printed in Great Britan, 160, pp. 106-154

  4. Learning deep architectures for AI

    Авторы: Y. Bengio

    Описание: В статье рассмотрены принципы устройства алгоритмов для архитектур сетей глубокого обучения, в частности, использующих однослойные модели, такие как RBM (Restricted Boltzmann Machine), для создания более глубоких моделей, таких как Deep Belief Network.

    Источник: Foundations and Trends in Machine Learning Volume 2, Issue 1, January 2009, Pages 1-127

  5. Rich feature hierarchies for accurate object detection and semantic segmentation

    Авторы: R. Girshick, J. Donahue, T. Darrell, J. Malik

    Описание: В статье предложен масштабируемый алгоритм обнаружения объектов (R-CNN), принцип работы которого основан на использовании СNN (Convolutional neural network) с высокой пропускной способностью при условии недостаточности маркированных данных.

    Источник: IEEE Conference on Computer Vision and Pattern Recognition 2014

  6. Fast R-CNN

    Авторы: R. Girshick

    Описание: В данной статье для задачи обнаружения объектов предлагается метод на основе регионов. Fast R-CNN опирается на предыдущую работу, чтобы эффективно классифицировать объектные предложения с использованием глубоких сверточных сетей. По сравнению с предыдущей работой, Fast R-CNN использует несколько инноваций, чтобы улучшить скорость обучения и тестирования, а также повысить точность обнаружения.

    Источник: Proceedings of the IEEE International Conference on Computer Vision 2015, Pages 1440-1448

  7. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

    Авторы: S. Ren, K. He, R. Girshick, J. Sun

    Описание: В работе представлена полностью сверточная сеть Region Proposal Network, которая использует сверточные функции полноразмерного изображения с сетью обнаружения, что повышает скорость обработки данных.

    Источник: Advances in neural information processing systems 2015, Pages 91-99

  8. DeepID-Net: Object Detection with Deformable Part Based Convolutional Neural Networks

    Авторы: W. Ouyang, X. Zeng, X. Wang

    Описание: В данной работе предложена деформированная глубокая сверточная нейронная сеть для обнаружения объектов. В рассмотренной архитектуре добавлен деформированный слой пула, который соответствует ограничению моделирования границ объекта, а также введена новая стратегия предобучения.

    Источник: IEEE Transactions on Pattern Analysis and Machine Intelligence Volume 39, Issue 7, July 1 2017, Pages 1320-1334

  9. Weakly Supervised Cascaded Convolutional Networks

    Авторы: A. Diba, V. Sharma, A. Pazandeh, H. Pirsiavash, L.V. Gool

    Описание: Данная статья ставит вопрос актуальности и целесообразности применения глубоких сетей для задач обнаружения образов. Предлагается новая архитектура каскадных сетей для обучения сверточной нейронной сети (CNN).

    Источник: IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2017

    10. Переводы статей

  10. Трекинг объектов в видеосигнале с использованием Compressive Sensing

    Авторы: М. Кракунов, М. Бастрика, Дж. Тецовик

    Описание: В данной работе рассматривается возможность уменьшения размерности видео путём сокращения количества пикселей в видеосигнале, сохраняя при этом качество, необходимое для корректного трекинга объектов, путём применения технологии Compressive Sensing.

    Источник: Student paper submitted to The 8th Mediterranean Conference on Embedded Computing MECO'2019