ДонНТУ   Портал магистров

Библиотека материалов по теме выпускной работы

    Собственные публикации и доклады

  1. Решение проблемы распознавания образов при помощи свёрточных нейронных сетей

    Авторы: С.Ю. Колбасов, Р.А. Сорокин

    Описание: В данной работе обозреваются решения проблемы распознавания образов при помощи сверточных нейронных сетей. Приводятся основные проблемы задачи распознавания образов, описываются основные шаги работы сверточных нейронных сетей.

    Источник: Материалы Х Международной научно–технической конференции Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ – 2019) – Донецк: ДонНТУ, 2019. – с. 111–114.

  2. Сравнение эффективности обнаружения объектов современных свёрточных нейронных сетей

    Авторы: С.Ю. Колбасов, Ю.К. Орлов

    Описание: В работе сравниваются точность и скорость обнаружения объектов современных сверточных нейронных сетей: Faster R–CNN, SSD, YOLO.

    Источник: Материалы XI Международной научно–технической конференции Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ – 2020) – Донецк: ДонНТУ, 2020. – с. 317–321.

  3. Обзор актуальных методов глубокого обучения для обнаружения объектов на изображении

    Авторы: С.Ю. Колбасов, Ю.К. Орлов

    Описание: В работе обозреваются актуальные методы глубокого обучения, которые могут быть использованы для обнаружения объектов на изображении.

    Источник: Программная инженерия: методы и технологии разработки информационно–вычислительных систем (ПИИВС–2020): сборник научных трудов III научно–практической конференции (студенческая секция), Том 2, 25–26 ноября 2020 г. – Донецк: ДонНТУ, 2020. – с. 189–193.

    4. Тематические статьи

  4. Understanding of a Convolutional Neural Network

    Авторы: S. Albawi, T.A. Mohammed, S. Al–Azawi

    Описание: В статье объясняются и определяются все элементы и важные вопросы, связанные с сверточной нейронной сетью и то, как эти элементы работают. Также указываются параметры, влияющие на эффективность сверточной сети.

    Источник: 2017 International Conference on Engineering and Technology (ICET). – IEEE, 2017. – pp. 1–6.

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

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

    Описание: В статье представлен метод для обнаружения объектов, основанный на предложениях регионов и признаках свёрточной нейронной сети – R–CNN. Данный алгоритм обнаружения улучшил среднюю точность (mAP) более чем на 30% по сравнению с предыдущим лучшим результатом на VOC 2012 – достигая mAP 53.3%. Представлены результаты экспериментов, которые обеспечивают понимание того, что изучает сеть, раскрывая богатую иерархию признаков изображения.

    Источник: 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – IEEE, 2014. – pp. 580–587.

  6. You Only Look Once: Unified, Real–Time Object Detection

    Авторы: J. Redmon, S. Divvala, R. Girshick, A. Farhadi

    Описание: Представлен метод YOLO, новых подход к обнаружению объектов. В отличии от предыдущих методов, которые использовали классификаторы для обнаружения, данный подход рассматривает обнаружение объектов как проблему регрессии для пространственно разделённых ограничивающих рамок и вероятностей классов. YOLO предсказывает ограничивающие рамки и вероятности классов непосредственно из полного изображения.

    Источник: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – IEEE, 2016. – pp. 779–788.

  7. SSD: Single Shot MultiBox Detector

    Авторы: W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.Y. Fu, A.C. Berg

    Описание: Представлен метод обнаружения объектов на изображениях, представляющий собой одну глубокую нейронную сеть – SSD. Данный метод более простой по сравнению с методами, требующими предложения объектов (R–CNN и др.), поскольку он полностью исключает этап генерации предложений и инкапсулирует все вычисления в одной сети. Показаны результаты экспериментов, которые подтверждают, что SSD имеет сопоставимую точность с методами, испольщующими дополнительный этап предложений объектов, но работает в 100–1000 раз быстрее.

    Источник: Computer Vision – ECCV 2016. – Springer, 2016. – pp. 21–37.

  8. Single–Shot Refinement Neural Network for Object Detection

    Авторы: S. Zhang, L. Wen, X. Bian, Z. Lei, S.Z. Li

    Описание: В работе представляется метод для обнаружения объектов, который совмещает в себе высокую точность двухступенчатых методов (R–CNN и др.) и большую скорость одноступенчатых (SSD и др.) – RefineDet. Представлены эксперименты на различных наборах данных, которые демонстрируют, что RefineDet обеспечивает самую современную точность обнаружения с высокой эффективностью.

    Источник: 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. – IEEE, 2018. – pp. 4203–4212.

  9. FCOS: Fully Convolutional One–Stage Object Detection

    Авторы: Z. Tian, C. Shen, H. Chen, T. He

    Описание: Для решения проблемы обнаружения объектов предложен одноэтапный детектор объектов под названием FCOS. Данный детектор работает методом попиксельного предсказания, аналогично семантической сегментации. FCOS избегает сложных вычислений, связанных с якорными рамками, что делает его более простым.

    Источник: 2019 IEEE/CVF International Conference on Computer Vision (ICCV). – IEEE, 2019. – pp. 9627–9636.

    10. Переводы статей

  10. Понимание сверточной нейронной сети

    Авторы: С. Альбави, Т.А. Мохаммед, С. Аль–Азави

    Автор перевода: С.Ю. Колбасов

    Описание: В статье объясняются и определяются все элементы и важные вопросы, связанные с сверточной нейронной сетью и то, как эти элементы работают. Также указываются параметры, влияющие на эффективность сверточной сети.

    Источник (англ.): 2017 International Conference on Engineering and Technology (ICET). – IEEE, 2017. – pp. 1–6. https://www.researchgate.net/...