Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
https://er.nau.edu.ua/handle/NAU/65253
Название: | Development of an enhanced deep learning method search systems for explosive devices |
Другие названия: | Розробка розширеного методу глибокого навчання системи пошуку вибухових пристроїв |
Авторы: | hKharchenko, Yaroslav Savchuk, Vitaliy Харченко, Ярослав Савчук, Віталій |
Ключевые слова: | 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 |
Дата публикации: | 4-апр-2024 |
Издательство: | National Aviation University |
Библиографическое описание: | 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. |
Краткий осмотр (реферат): | 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. |
Описание: | 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 (Унифицированный идентификатор ресурса): | https://er.nau.edu.ua/handle/NAU/65253 |
Располагается в коллекциях: | Політ. Сучасні технології у створенні комп’ютеризованих систем керування |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
с.126-128.pdf | тези доповіді | 719.42 kB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.