Нейромережевий метод виявлення текстурних аномалій у цифровому зображенні (Запис № 2664)

МАРК-запис
000 -LEADER
Маркер (контрольне поле довжиною 24 байти) 03912aab a2200301 i 4500
001 - КОНТРОЛЬНИЙ НОМЕР
Контрольне поле 2664
003 - ІДЕНТИФІКАТОР КОНТРОЛЬНОГО НОМЕРА
Контрольне поле UA-KpCNTU
005 - ДАТА І ЧАС ОСТАННЬОЇ УГОДИ
Контрольне поле 20250521143217.0
008 - ЕЛЕМЕНТИ ДАНИХ ФІКСОВАНОЇ ДОВЖИНИ - ЗАГАЛЬНА ІНФОРМАЦІЯ
Маркер (контрольне поле довжиною 24 байти) 250402b un |||| |||| 00| | ukr d
040 ## - ДЖЕРЕЛО КАТАЛОГІЗАЦІЇ
Transcribing agency ЦНТУ
Original cataloging agency UA-KpCNTU
041 ## - LANGUAGE CODE
Language code of text/sound track or separate title ukr
100 ## - MAIN ENTRY--PERSONAL NAME
Ім’я особи Дрєєв, О. М.
245 ## - TITLE STATEMENT
Назва Нейромережевий метод виявлення текстурних аномалій у цифровому зображенні
Носій [Текст]
Statement of responsibility, etc. / О. М. Дрєєв, О. П. Доренський, Г. М. Дрєєва
250 ## - ЗАЯВА ПРО ВИДАННЯ
Відомості про видання Центральноукраїнський науковий вісник. Технічні науки.
Remainder of edition statement Вип. 5(36). Ч. 2.
260 ## - PUBLICATION, DISTRIBUTION, ETC.
Дата видання, розповсюдження тощо 2022.
300 ## - PHYSICAL DESCRIPTION
Розмір С. 335-346.
500 ## - ЗАГАЛЬНА ПРИМІТКА
General note Сучасні системи комп’ютерного зору часто використовують для оброблення цифрового зображення нейронні мережі. Однак для цього потрібно створювати бази даних для їх навчання, що в здебільшого складає переважну долю ресурсів ІТ-проєкту. Тож актуальною задачею, аспекти якої розглянуто в цій статті, є методи підвищення якості навчання нейронних мереж на даних меншого обсягу. Також актуальним є й можливість оброблення даних, характер яких не був наявним в початковій базі прикладів для навчання. Для розв’язання цієї науково-технічної задачі – підвищення якості сегментації зображення за присутніми текстурними особливостями, – в роботі пропонується використовувати як вхідну інформацію до нейронної мережі не лише безпосередньо цифрове зображення, а й його локальні статистичні показники. Означене розширює інформативність вхідної інформації і нейронній мережі не потрібно вчитися для їх виділення. Для цього достатньо прийняти рішення щодо їх використання або нехтування як ознаками. Також для виділення текстурних особливостей запропоновано використовувати самоорганізаційні вихідні шари, які здатні працювати як класифікатори, що групують елементи за схожими групами ознак. У праці показано застосовність запропонованих рішень до текстурної сегментації цифрових зображень, зокрема картографічних фотографічних зображень.
653 ## - INDEX TERM--UNCONTROLLED
Uncontrolled term нейронна мережа
653 ## - INDEX TERM--UNCONTROLLED
Uncontrolled term цифрове зображення
653 ## - INDEX TERM--UNCONTROLLED
Uncontrolled term сегментація
653 ## - INDEX TERM--UNCONTROLLED
Uncontrolled term текстура
700 ## - ДОДАТКОВИЙ ОПИС — ІМ’Я ОСОБИ
Ім’я особи Доренський, О. П.
700 ## - ДОДАТКОВИЙ ОПИС — ІМ’Я ОСОБИ
Ім’я особи Дрєєва, Г. М.
773 0# - HOST ITEM ENTRY
Назва Центральноукраїнський науковий вісник. Технічні науки. Вип. 5/36. Ч. 2
Міжнародний стандартний номер серіального видання (ISSN) 2664-262X
Place, publisher, and date of publication Кропивницький : ЦНТУ, 2022
Контрольний номер запису 2662
856 ## - ЕЛЕКТРОННЕ РОЗМІЩЕННЯ І ДОСТУП
Універсальний ідентифікатор ресурсу <a href="https://dspace.kntu.kr.ua/handle/123456789/12762">https://dspace.kntu.kr.ua/handle/123456789/12762</a>
Текст посилання Репозитарій Центральноукраїнського національного технічного університету
942 ## - Додаткові дані (Коха)
Код системи класифікації для розстановки фонду Універсальна десяткова класифікація (УДК)
Тип одиниці Статті
Suppress in OPAC

Немає доступних примірників.