Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Convolutional Neural Network" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Blender jako narzędzie do generacji danych syntetycznych
Blender as a tool for generating synthetic data
Autorzy:
Sieczka, Rafał
Pańczyk, Maciej
Powiązania:
https://bibliotekanauki.pl/articles/98204.pdf
Data publikacji:
2020
Wydawca:
Politechnika Lubelska. Instytut Informatyki
Tematy:
artificial neural networks
convolutional neural network
synthetic data
blender
sztuczne sieci neuronowe
konwolucyjne sieci neuronowe
dane syntetyczne
Opis:
Acquiring data for neural network training is an expensive and labour-intensive task, especially when such data is difficult to access. This article proposes the use of 3D Blender graphics software as a tool to automatically generate synthetic image data on the example of price labels. Using the fastai library, price label classifiers were trained on a set of synthetic data, which were compared with classifiers trained on a real data set. The comparison of the results showed that it is possible to use Blender to generate synthetic data. This allows for a significant acceleration of the data acquisition process and consequently, the learning process of neural networks.
Pozyskiwanie danych do treningu sieci neuronowych, jest kosztownym i pracochłonnym zadaniem, szczególnie kiedy takie dane są trudno dostępne. W niniejszym artykule zostało zaproponowane użycie programu do grafiki 3D Blender, jako narzędzia do automatycznej generacji danych syntetycznych zdjęć, na przykładzie etykiet cenowych. Przy użyciu biblioteki fastai, zostały wytrenowane klasyfikatory etykiet cenowych, na zbiorze danych syntetycznych, które porównano z klasyfikatorami trenowanymi na zbiorze danych rzeczywistych. Porównanie wyników wykazało, że możliwe jest użycie programu Blender do generacji danych syntetycznych. Pozwala to w znaczącym stopniu przyśpieszyć proces pozyskiwania danych, a co za tym idzie proces uczenia sieci neuronowych.
Źródło:
Journal of Computer Sciences Institute; 2020, 16; 227-232
2544-0764
Pojawia się w:
Journal of Computer Sciences Institute
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie sieci konwolucyjnej głębokiego uczenia w detekcji pojazdów
Use of deep learning convolutional network in vehicle detectionmears
Autorzy:
Oszutowska-Mazurek, D. A.
Mazurek, P.
Powiązania:
https://bibliotekanauki.pl/articles/136004.pdf
Data publikacji:
2017
Wydawca:
Wyższa Szkoła Techniczno-Ekonomiczna w Szczecinie
Tematy:
sieć konwolucyjna
uczenie głębokie
detekcja pojazdów
przetwarzanie obrazów
image processing
deep learning
convolutional neural network
vehicle detection
Opis:
Wstęp i cel: Detekcja pojazdów na znaczenie w bezpieczeństwie ruchu drogowego oraz programowaniu pojazdów autonomicznych. Celem pracy jest detekcja pojazdów odróżniająca obrazy pojazdów od innych obrazów nie zawierających pojazdów. Materiał i metody: W pracy wykorzystano bazę pojazdów zawierającą obrazy ekstrahowane z sekwencji wideo, które przetwarzano za pomocą sieci konwolucyjnej głębokiego uczenia. Wyniki: Uzyskana sieć konwolucyjna charakteryzuje się bardzo dobrymi parametrami, krzywa PSNR względem kroku uczenia rośnie co oznacza, że zachodzi proces odszumiania kerneli w całym procesie uczenia. Wniosek: Proponowana metoda może być wykorzystana w programowaniu pojazdów autonomicznych oraz implementacji w Inteligentnych Systemach Transportowych ITS do detekcji pojazdów; bazuje na uczeniu a nie na projektowaniu algorytmu syntetycznego, dzięki temu jest potrzebny relatywnie krótki czas opracowania klasyfikatora.
Introduction and aim: Vehicle detection plays essential role in road safety and automatic vehicle programming. The aim of study is vehicle detection distinguishing car and non-car images Material and methods: Vehicle database images extracted from video sequences were processed by deep learning convolutional network. Results: Obtained convolutional network is characterised by very good parameters, PSNR curve indicates denoising of kernels in learning process. Conclusion: Proposed method is potentially useful in autonomic vehicles programming and Intelligent Transportation Systems (ITS) for vehicles detection. The solution is based on learning, not on synthetic algorithm design, thanks to this, a relatively short time of classifier development is needed.
Źródło:
Problemy Nauk Stosowanych; 2017, 7; 47-56
2300-6110
Pojawia się w:
Problemy Nauk Stosowanych
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies