ДонНТУ   Портал магистров

Ссылки по теме выпускной работы

    Материалы магистров ДонНТУ

  1. Мурадина Д.Г. Исследование методов классификации коллекций цифровых изображений

    Описание: Персональный сайт на портале магистров ДонНТУ, 2014 г.

    Руководитель: к.т.н., доц. Костюкова Наталья Стефановна

  2. Борискин Д.В. Исследование возможности параллельной реализации билатеральной фильтрации для решения задач распознования объектов на изображениях и Depth Image Based Rendering(DIBR)

    Описание: Персональный сайт на портале магистров ДонНТУ, 2019 г.

    Руководитель: д.т.н., доц. Зори Сергей Анатольевич

  3. Медведев А.С. Исследование программной модели свёрточной нейронной сети при распознавании лиц на снимках из видеопотока

    Описание: Персональный сайт на портале магистров ДонНТУ, 2018 г.

    Руководитель: к.т.н., проф. Федяев Олег Иванович

    4. Научные работы и статьи

  4. Gradient–Based Learning Applied to Document Recognition

    Авторы: Lecun Y., Bottou L., Bengio Y., Haffner P.

    Описание: Была представлена новаторская свёрточная нейронная сеть, состоящая из 7 слоёв, для классификации цифр.

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

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

    Описание: Представление метода R–CNN, предназначенного для обнаружения объектов.

  6. Fast R–CNN

    Авторы: Girshick R.

    Описание: Представлена более быстрая модификация метода R–CNN – Fast R–CNN.

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

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

    Описание: Представлена последняя модификация R–CNN – Faster R–CNN, реализующая специальную обучаемую сеть вместо алгоритма выборочного поиска для ускорения работы алгоритма.

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

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

    Описание: Реализован одноступенчатый метод обнаружения объектов, способный обрабатывать изображение в реальном времени, под названием YOLO.

  9. YOLO9000: Better, Faster, Stronger

    Авторы: Redmon J., Farhadi A.

    Описание: Реализована вторая модификация метода YOLO. Улучшения позволили получить сравнительную с другими моделями точность, при этом имея большую скорость.

  10. SSD: Single Shot MultiBox Detector

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

    Описание: Представлен метод SSD – нейронная сеть для обнаружения объектов, способная работать в реальном времени и показывающая одни из лучших результатов в точности распознавания.

  11. Single–Shot Refinement Neural Network for Object Detection

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

    Описание: Метод RefineDet, совмещающий в себе преимущества других двухступенчатых и одноступенчатых методов, превосходя их в точности и сохраняя возможность работы в реальном времени.

  12. Understanding of a Convolutional Neural Network

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

    Описание: Описываются составляющие элементы свёрточной нейронной сети и как они работают, а также параметры, влияющие на её эффективность.

  13. FCOS: Fully Convolutional One–Stage Object Detection

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

    Описание: Предложен одноэтапный детектор объектов под названием FCOS. FCOS избегает сложных вычислений, связанных с якорными рамками, что делает его более простым, по сравнению с другими, использующими якорные рамки.

  14. Сучасні системи виявлення, розпізнавання, та ідентифікації динамічних об'єктів, їх переваги і недоліки

    Авторы: Тимчишин Р.М., Волков О.Є., Мельников С.В., Коршунов М.В.

    Описание: Проведен обзор современных методов обнаружения, распознавания и идентификации динамичных объектов, были рассмотрены наилучшие архитектуры и обозначены не решенные на текущий момент проблемы.

  15. Оптоэлектронные системы: вычислительные методы распознавания изображений

    Авторы: Кравец С.А., Легкий В.Н., Шумейко В.А.

    Описание: Описана концепция сверточных нейронных сетей, которые предполагается использовать в ИК системах летательных аппаратов.

  16. Применение сверточных нейронных сетей для выделения и распознавания автомобильных номерных знаков на изображениях со сложным фоном

    Авторы: Друки А.А.

    Описание: В работе разрабатывается и применяется сверточная нейронная сеть для выделения и распознавания автомобильных номерных знаков.

  17. Обучение сети YOLO для распознавания отходов в городской среде

    Авторы: Горелов А.И.

    Описание: Описан процесс обучения и использования модели YOLO для распознавания отходов в городской среде, а также инструменты, которые необходимы для корректной работы с моделью.

  18. Обнаружение транспортных средств на изображениях загородных шоссе на основе метода Single Shot MultiBox Detector

    Авторы: Чуйков Р.Ю., Юдин Д.А.

    Описание: Рассмотрено применение модели SSD для обнаружения транспортных средств на изображениях загородных шоссе, обучение и сравнение нескольких моделей с разными настройками весов.

    19. Техническая и справочная литература

  19. Python Documentation

    Официальная докуентация языка программирования Python. Содержит журнал изменений каждой версии, обучающие материалы, документацию по всем возможностям языка, а также примеры использования элементов языка.

  20. TensorFlow API Documentation

    Документация для одной из самых популярных библиотек машинного обучения, разработанной Google – TensorFlow.

  21. Keras API Reference

    Документация библиотеки машинного обучения Keras, которая которая предоставляет интерфейс Python для искусственных нейронных сетей.

  22. PyTorch Documentation

    Документация библиотеки PyTorch. PyTorch является библиотекой машинного обучения для Python и, в основном, предназначена для применения в задачах компьютерного зрения и обработки естественного языка.

  23. Scikit–learn API Reference

    Библиотека машинного обучения для Python, содержащая различные алгоритмы для классификации, регрессии, кластеризации и других задач.

  24. Pandas Documentation

    Докуменация библиотеки Pandas, предназначенной для анализа и обработки данных на языке программирования Python.

  25. NumPy Manual

    NumPy – это библиотека для языка программирования Python, добавляющая поддержку работы с большими многомерными массивами и матрицами, а также большой набор математических функций для работы с этими массивами. Библиотека активно используется для решения задач машинного обучения, так как приходится работать с большим количеством данных, представленных массивами, которые надо обрабатывать.

    26. Специализированные сайты и порталы

  26. CIT–форум

    Крупнейший архив научной и практической информации по всем направлениям компьютерных наук.

  27. Google Академия

    Система для поиска научных публикаций и литературы.

  28. Semantic Scholar

    Проект, предназначенный для поиска научных публикаций на основе искусственного интеллекта. Также Semantic Scholar пытается выделять наиболее важные и влиятельные статьи и выделять связи между ними.

  29. Microsoft Academic

    Поисковая система для поиска научных публикаций и литературы, разработанная Microsoft.

  30. Научная электронная библиотека eLibrary.ru

    Информационно–аналитический портал в области науки, технологии, медицины и образования, содержащий полные тексты научных публикаций и патентов, а также электронные версии научно–технических журналов.

  31. CyberLeninka

    Научная электронная библиотека, содержащая научные статьи, публикуемые в научных журналах, включенный в перечень ВАК РФ.

  32. ArXiv

    Открытый репозиторий электронных препринтов научных статей, одобренных к публикации после модерации, но не полного рецензирования.

  33. ResearchGate

    Социальная сеть, где учены и исследователи могут делиться статьями, задавать вопросы и отвечать на них, а также искать соавторов.

  34. GitHub

    Веб–сервис для хостинга IT–проектов и их совместной разработки.

  35. Stack Overflow

    Система вопросов и ответов о программировании.

  36. Habr

    Сайт с тематическими коллективными блогами, созданный для публикаций, связанных с информационными технологиями, бизнесом и интернетом.

  37. Google Colaboratory

    Платформа, предоставляющая доступ к интерактивной среде разработки на языке программирования Python с бесплатным доступом к ресурсам GPU.

  38. Towards Data Science

    Платформа, посвящённая публикациям в области науки о данных (data science).

  39. IEEE Xplore

    Исследовательская база данных для поиска и доступа к журнальными статьям, материалам конференций, техническим стандартам и сопутствующим материалам по информационным технологиям, электротехнике и электронике, а также в смежных областях.

    40. Обучающие материалы

  40. fast.ai

    Обучающий курс по искусственным нейронным сетям.

  41. MIT OpenCourseWare

    Платформа с учебными материалами Массачусетского Технологического Университета, доступными в свободном и открытом доступе для всех.

  42. Harvard University Online Courses

    Каталог онлайн курсов от Гарвардского университета, содержит платные и бесплатные курсы.

  43. edX

    Платформа с бесплатными курсами от университетов со всего мира.

  44. Machine Learning Mastery

    Сайт с обучающими материалами по машинному обучению. Содержит материалы по статистическим методам, линейной алгебре, алгоритмам машинного обучения, компьютерного зрения, нейронным сетям и пр.

  45. Coursera

    Платформа с массовыми открытыми онлайн–курсами.

    46. Литература по теме

  46. Создаем нейронную сеть

    Авторы: Тарик Р.

    Описание: Эта книга представляет собой введение в теорию и практику создания нейронных сетей.

    Источник: СПб: Альфа–книга, 2017. - 274 с.

  47. Глубокое обучение. Погружение в мир нейронных сетей

    Авторы: Николенко С.И., Кадурин А., Архангельская Е.В.

    Описание: Первая книга о глубоком обучении, написанная на русском языке. В книге объяснены история и основные компоненты глубокого обучения, а также самые современные достижения этой области.

    Источник: СПб: Питер, 2018. – 481 с.

  48. Глубокое обучение

    Авторы: Гудфеллоу Я., Бенджио И., Курвиль А.

    Описание: В книге излагаются темы, изучаемые в глубоком обучении. Математические и концептуальные основы линейной алгебры, теория вероятностей и теория информации, численные расчетов и машинное обучение, описываются приемы глубокого обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей, и др.

    Источник: М.: ДМК–Пресс, 2018. – 652 с.

  49. Deep Learning for Computer Vision with Python

    Авторы: Rosebrock A.

    Описание: Книга познакомит с алгоритмами компьютерного зрения различной сложности, библиотеками для Python и лучшими практиками.

    Источник: PyImageSearch, 2017. – 210 с.

  50. Прикладное машинное обучение с помощью Scikit–Learn и TensorFlow

    Авторы: Орельен Ж.

    Описание: Книга демонстрирует конкретные практические примеры, с минимумом теории, а также две библиотеки для Python – Scikit–learn и TensorFlow, которые помогут получить понимание концепций и инструментов для построения интеллектуальных систем.

    Источник: СПб: Диалектика, 2019. – 683 с.