Please use this identifier to cite or link to this item: https://er.nau.edu.ua/handle/NAU/65253
Full metadata record
DC FieldValueLanguage
dc.contributor.authorhKharchenko, Yaroslav-
dc.contributor.authorSavchuk, Vitaliy-
dc.contributor.authorХарченко, Ярослав-
dc.contributor.authorСавчук, Віталій-
dc.date.accessioned2024-09-02T09:00:19Z-
dc.date.available2024-09-02T09:00:19Z-
dc.date.issued2024-04-04-
dc.identifier.citationKharchenko 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.uk_UA
dc.identifier.urihttps://er.nau.edu.ua/handle/NAU/65253-
dc.description1. 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).uk_UA
dc.description.abstractSAR'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.uk_UA
dc.description.abstractFaster 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.uk_UA
dc.language.isoukuk_UA
dc.publisherNational Aviation Universityuk_UA
dc.subjectlearning algorithmsuk_UA
dc.subjectfaster region-based convolutional neural networkuk_UA
dc.subjectlandmineuk_UA
dc.subjectregion proposal networkuk_UA
dc.subjectалгоритми навчанняuk_UA
dc.subjectшвидша згортна нейронна мережа на основі регіонуuk_UA
dc.subjectназемна мінаuk_UA
dc.subjectмережа пропозицій регіонуuk_UA
dc.titleDevelopment of an enhanced deep learning method search systems for explosive devicesuk_UA
dc.title.alternativeРозробка розширеного методу глибокого навчання системи пошуку вибухових пристроївuk_UA
dc.typeThesisuk_UA
dc.subject.udc004.93+623.6uk_UA
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.