Оценка графических образов в зависимости от предпочтений с использованием нейросетей
| Цена, руб. | 800 |
| Номер работы | 57023 |
| Предмет | Информатика |
| Тип работы | Курсовая |
| Объем, стр. | 28 |
| Оглавление | СОДЕРЖАНИЕ ВВЕДЕНИЕ..........................3 1.Современное состояние объекта исследования..........................4 2.Аналитическая часть..........................9 2.1.Обзор существующих методов оценки графических образов...........................9 2.1.1.Метод экспертных оценок...........................10 2.1.2.Метод оценки пользователей...........................11 2.1.3.Метод анализа содержания.............................12 2.1.4.Метод анализа формальных характеристик.......................13 2.1.5.Метод машинного обучения............................14 2.2.Существующие наборы данных..........................16 2.3.Анализ проблем..........................10 2.3.1.Недостаток размеченных данных..........................17 2.3.2.Субъективность оценок...........................17 2.3.3.Неполнота представления.............................17 2.3.4.Непостоянство предпочтений пользователей...........................17 2.3.5.Объективность оценки.........................18 3.Практическая часть........................19 3.1.Моделей VGG............................19 3.1.1.Архитектура модели VGG.........................20 3.2.Модель CNN..............................22 3.2.1.Архитектура модели CNN.............................23 3.3.Сравнение и рекомендации по улучшению..........................24 3.4.Вывод............................24 ЗАКЛЮЧЕНИЕ.............................26 СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ...........................27 1.Ефимов А.И., Балилый Н.А. Методика обучения систем управления беспилотными летательными аппаратами путем погружения их в виртуальную реальность // Кибернетика и программирование. 2019. № 2.С.17-22. URL: e-notabene.ru/kp/article_29236.html. 2.Ефимов А.И. Методы повышения эффективности обучающих выборок путем дополнения их генерированными графическими данными //Автоматизация в промышленности. 2019. № 4. С. 54-57. 3.Соловьев Р.А., Тельпухов Д.В., Кустов А.Г. Автоматическая сегментация спутниковых снимков на базе модифицированной свёрточной Инженерный вестник Дона, №3 (2019) ivdon.ru/ru/magazine/archive/n3y2019/5787 №4. URL: ivdon.ru/uploads/article/pdf/IVD_56_soloviev_N.pdf_116222c2f5.pdf 4.Шанин Д.А., Чикин В.В. Нейросетевой адаптивный контроллер для задачи управления объектом с неизвестной структурой посредством обратной связи // Инженерный вестник Дона. 2008. №2. URL: ivdon.ru/ru/magazine/archive/n2y2008/60 5.Ю.И. Монич, В.В. Старовойтов Оценки качества для анализа цифровых изображений // Искусственный интеллект ОИПИ НАН Беларуси. 2008. №4. С. 376-386. URL: researchgate.net/publication/236593352_Ocenki_kacestva_dla_analiza_cifrovyh_izobrazenij. 6.T. Sharmila L. Megalan Leo. Image upscaling based convolutional neural network for better reconstruction quality // ICCSP. 2016 pp. 710-714. URL: researchgate.net/publication/311251764_Image_upscaling_based_convolutional_n eural_network_for_better_reconstruction_quality. 7.Leon A. Gatys, Alexander S. Ecker, Matthias Bethge. Image Style Transfer Using Convolutional Neural Networks // CVPR. 2016. pp. 2414-2422. URL: cvfoundation.org/openaccess/content_cvpr_2016/papers/Gatys_Image_Style_Transfer_CVPR_2016_paper.pdf 8.S. Laine, T. Karras, T. Aila, A. Herva, S. Saito, R. Yu, H. Li, J. Lehtinen. Production-Level Facial Performance Capture Using Deep Convolutional Neural Networks // SCA '17. 2017. pp. 1-10. URL: arxiv.org/pdf/1609.06536.pdf 9.Patric Stigeborn. Generating 3D-objects using neural networks // Royal institute technology. 2018 URL: divaportal.org/smash/get/diva2:1218064/FULLTEXT01.pdf. 10.O. Nalbach, E. Arabadzhiyska, D. Mehta, H. P. Seidel, T. Ritschel. Deep Shading: Convolutional Neural Networks for Screen-Space Shading //Computer Graphics Forum. 2017 pp. 65-78. URL: arxiv.org/pdf/1603.06078.pdf. |
| Цена, руб. | 800 |