Детектирование объектов воздушного пространства на изображениях с использованием сверточных нейронных сетей YOLOv5s; Молодежь и современные информационные технологии
| Parent link: | Молодежь и современные информационные технологии.— 2024.— С. 96-101 |
|---|---|
| Egile nagusia: | |
| Gaia: | Рассматривается задача детектирования (обнаружения и классификации) летающих объектов трех классов на изображениях с помощью моделей сверточных нейронных сетей (СНС) YOLOv5s и YOLOv5x. Для обучения, валидации и исследования эффективности этих моделей разработан датасет. Он содержит размеченные изображения с летающими объектами трех классов: Беспилотный летательный аппарат (БПЛА) самолетного типа, включая «летающее крыло», БПЛА вертолетного типа и Птица. Исследования предложенных моделей СНС по точности классификации таких объектов на изображениях тестовой выборки датасета показали, что обе модели показывают высокие и весьма близкие результаты по всем используемым метрикам оценки точности классификации. В результате исследований также получено, что по скорости вычислений модель YOLOv5s значительно превосходит модель YOLOv5x Текстовый файл |
| Hizkuntza: | errusiera |
| Argitaratua: |
2024
|
| Saila: | Искусственный интеллект, машинное обучение и большие данные |
| Gaiak: | |
| Sarrera elektronikoa: | http://earchive.tpu.ru/handle/11683/84800 |
| Formatua: | Baliabide elektronikoa Liburu kapitulua |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=675236 |
| Gaia: | Рассматривается задача детектирования (обнаружения и классификации) летающих объектов трех классов на изображениях с помощью моделей сверточных нейронных сетей (СНС) YOLOv5s и YOLOv5x. Для обучения, валидации и исследования эффективности этих моделей разработан датасет. Он содержит размеченные изображения с летающими объектами трех классов: Беспилотный летательный аппарат (БПЛА) самолетного типа, включая «летающее крыло», БПЛА вертолетного типа и Птица. Исследования предложенных моделей СНС по точности классификации таких объектов на изображениях тестовой выборки датасета показали, что обе модели показывают высокие и весьма близкие результаты по всем используемым метрикам оценки точности классификации. В результате исследований также получено, что по скорости вычислений модель YOLOv5s значительно превосходит модель YOLOv5x Текстовый файл |
|---|