Please use this identifier to cite or link to this item: https://er.nau.edu.ua/handle/NAU/65253
Title: Development of an enhanced deep learning method search systems for explosive devices
Other Titles: Розробка розширеного методу глибокого навчання системи пошуку вибухових пристроїв
Authors: hKharchenko, Yaroslav
Savchuk, Vitaliy
Харченко, Ярослав
Савчук, Віталій
Keywords: learning algorithms
faster region-based convolutional neural network
landmine
region proposal network
алгоритми навчання
швидша згортна нейронна мережа на основі регіону
наземна міна
мережа пропозицій регіону
Issue Date: 4-Apr-2024
Publisher: National Aviation University
Citation: Kharchenko Y. Development of an enhanced deep learning method search systems for explosive devices / Yaroslav Kharchenko,Vitaliy Savchuk // Poliт. Challenges of science today : abstracts of XXIV International conference of higher education students and young scientists. - National Aviation University. - Kyiv, April 2-5 2024. - pp. 126-128.
Abstract: SAR's Faster R-CNN utilizes a region proposal network (RPN) to generate potential regions of interest (ROIs) directly from the input image, in contrast to Fast R-CNN, which relies on external sources for region proposals. The RPN consists of three convolutional layers and a newly introduced proposal layer, implemented as a user-defined function (UDF) in either Python or C++. The Python code that constructs the RPN is compatible with CNTK. The input to the RPN is the same convolutional feature map used as input to the ROI pooling layer. This feature map is fed into the initial convolutional layer of the RPN, with the output then propagated through the subsequent two convolutional layers. One of these layers predicts class scores for each candidate region, specifically for each anchor at every spatial position, resulting in a tensor of dimensions (9 anchors x 2 scores x width x height). These scores are then transformed via a SoftMax operation to yield objectness scores per candidate, indicating the likelihood of a candidate region containing a foreground object.
Faster R-CNN від SAR використовує мережу пропозицій регіону (RPN) для створення потенційних регіонів інтерес (ROI) безпосередньо з вхідного зображення, на відміну від Fast R-CNN, який покладається на зовнішні джерела пропозицій регіону. RPN складається з трьох згорткових шарів і нещодавно введеного рівень пропозиції, реалізований як визначена користувачем функція (UDF) на Python або C++. Python код, який створює RPN, сумісний із CNTK. Вхід до РПН такий же згорточна карта функцій, яка використовується як вхідні дані для рівня об’єднання ROI. Ця карта функцій подається в початковий згортковий шар RPN з вихідним сигналом, який потім поширюється через наступні два згорткові шари. Один із цих рівнів передбачає бали класу для кожного регіону-кандидата окремо для кожного якоря в кожній просторовій позиції, що призводить до тензору розмірів (9 якорів x 2 бали x ширина х висота). Потім ці оцінки перетворюються за допомогою операції SoftMax, щоб отримати оцінки об’єктності на кандидата, що вказує на ймовірність того, що регіон кандидата містить об’єкт переднього плану.
Description: 1. Perception Based Drone Racing by Spleenlab.ai URL:https://core.ac.uk/download/pdf/196543477.pdf(Lastaccessed: 17.03.2024). 2. literature review of implementations of precision agriculture URL: https://www.sciencedirect.com/science/article/abs/pii/S0168169920312357(Lastaccessed: 19.03.2024). 3. Sub-Aperture Polar Format Algorithm for Curved Trajectory Millimeter Wave Radar Imaging URL:https://learn.microsoft.com/en-us/cognitive-toolkit/object-detection-using-faster-rcnn( Lastaccessed: 20.03.2024).
URI: https://er.nau.edu.ua/handle/NAU/65253
Appears in Collections:Політ. Сучасні технології у створенні комп’ютеризованих систем керування

Files in This Item:
File Description SizeFormat 
с.126-128.pdfтези доповіді719.42 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.