Исследование возможностей искусственных нейронных сетей в задаче классификации динамических признаков объектов
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика: рецензируемый научный журнал/ Национальный исследовательский Томский политехнический университет.— .— Томск: ТПУ, 2023-.— 2949-5407 Т. 1, № 1.— 2023.— С. 44-49 |
|---|---|
| Other Authors: | , , , |
| Summary: | Классификация изображений – классическая задача машинного обучения. Глубокие нейронные сети широко используются в области классификации объектов. Однако проблема анализа объектов с динамически изменяющимися признаками остается актуальной. Для решения этой проблемы авторы предлагают использовать нейронную сеть с долгой краткосрочной памятью. В отличие от классических сверточных нейронных сетей, предлагаемая сеть использует информацию о последовательности изображений, тем самым обеспечивая более высокую точность классификации обнаруженных объектов с динамическими признаками. В исследовании авторы анализируют точность классификации обнаружения дымовых облаков в лесу с использованием различных методов машинного обучения Image classification is a classic machine learning task. Deep neural networks are widely used in the field of object classification. However, the prob-lem of analyzing objects with dynamically changing features remains relevant. To solve this problem, the authors propose using a long short-term memory networks. Unlike classical convolutional neural networks, the proposed network uses information about the sequence of images, thereby providing a higher classification accuracy of detectedobjects with dynamic features. In the study, the authors analyze the classification accuracy of smoke cloud detection in a forest using various machine learning methods Текстовый файл |
| Published: |
2023
|
| Subjects: | |
| Online Access: | http://earchive.tpu.ru/handle/11683/81874 https://doi.org/10.18799/29495407/2023/1/13 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=674773 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 674773 | ||
| 005 | 20241209125136.0 | ||
| 090 | |a 674773 | ||
| 100 | |a 20240920d2023 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Исследование возможностей искусственных нейронных сетей в задаче классификации динамических признаков объектов |d Investigation of thecapabilities of artificial neural networks when classifying objects dynamic features |z eng |f Н. В. Лаптев, О. М. Гергет, В. В. Лаптев, Д. Ю. Колпащиков | |
| 320 | |a Список литературы: с. 48 (18 назв.) | ||
| 330 | |a Классификация изображений – классическая задача машинного обучения. Глубокие нейронные сети широко используются в области классификации объектов. Однако проблема анализа объектов с динамически изменяющимися признаками остается актуальной. Для решения этой проблемы авторы предлагают использовать нейронную сеть с долгой краткосрочной памятью. В отличие от классических сверточных нейронных сетей, предлагаемая сеть использует информацию о последовательности изображений, тем самым обеспечивая более высокую точность классификации обнаруженных объектов с динамическими признаками. В исследовании авторы анализируют точность классификации обнаружения дымовых облаков в лесу с использованием различных методов машинного обучения | ||
| 330 | |a Image classification is a classic machine learning task. Deep neural networks are widely used in the field of object classification. However, the prob-lem of analyzing objects with dynamically changing features remains relevant. To solve this problem, the authors propose using a long short-term memory networks. Unlike classical convolutional neural networks, the proposed network uses information about the sequence of images, thereby providing a higher classification accuracy of detectedobjects with dynamic features. In the study, the authors analyze the classification accuracy of smoke cloud detection in a forest using various machine learning methods | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 672190 |9 672190 |t Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика |o рецензируемый научный журнал |f Национальный исследовательский Томский политехнический университет |c Томск |n ТПУ |d 2023- |x 2949-5407 | |
| 463 | 1 | |0 674707 |9 674707 |t Т. 1, № 1 |d 2023 |v С. 44-49 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a нейронные сети | |
| 610 | 1 | |a традиционное машинное обучение | |
| 610 | 1 | |a классификация | |
| 610 | 1 | |a изображение | |
| 610 | 1 | |a обнаружение пожароопасных ситуаций | |
| 610 | 1 | |a neural networks | |
| 610 | 1 | |a traditional machine learning | |
| 610 | 1 | |a classification | |
| 610 | 1 | |a image | |
| 610 | 1 | |a detection of fire hazards | |
| 701 | 1 | |a Лаптев |b Н. В. |c специалист в области машиностроения |c инженер Томского политехнического университета |f 1995- |g Никита Витальевич |9 21589 | |
| 701 | 1 | |a Гергет |b О. М. |c специалист в области информатики и вычислительной техники |c профессор Томского политехнического университета, доктор наук |f 1974- |g Ольга Михайловна |9 13717 | |
| 701 | 1 | |a Лаптев |b В. В. |g Владислав Витальевич | |
| 701 | 1 | |a Колпащиков |b Д. Ю. |c специалист в области машиностроения |c инженер Томского политехнического университета |f 1992- |g Дмитрий Юрьевич |9 21257 | |
| 801 | 0 | |a RU |b 63413507 |c 20240920 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u http://earchive.tpu.ru/handle/11683/81874 |z http://earchive.tpu.ru/handle/11683/81874 | |
| 856 | 4 | |u https://doi.org/10.18799/29495407/2023/1/13 |z https://doi.org/10.18799/29495407/2023/1/13 | |
| 942 | |c CF | ||