Волинець, Олександр Олександрович2022-04-092022-04-092021Волинець, О. О. Розробка системи класифікації об'єктів : дипломна робота бакалавра. – Одеса, 2021. – 104 с.https://dspace.onu.edu.ua/handle/123456789/32727Актуальність теми. З кожним роком зростає зацікавленість вирішення більш складних задач розпізнавання об’єктів, що обумовлена автоматизацією, необхідністю образних процесів комунікації в інтелектуальних системах. Тому реалізація розпізнавання комп’ютерними системами образів є актуальною. Один з перспективних напрямків вирішення даної проблеми ґрунтується на застосуванні штучних нейронних мереж і нейрокомп'ютерів, як найбільш прогресивних по відношенню проблем класифікації задач розпізнавання образів. У наш час запропоновано велику кількість архітектур нейромеж для застосування у розпізнаванні об’єктів. Аналіз запропонованих рішень показує, що перспективу в побудові ефективних архітектур вбачають у згорткових нейронних мережах. Об’єктом дослідження є нейронні мережі та їх застосування у задачах класифікації зображень. Предметом дослідження є методи і алгоритми реалізації архітектур нейронних мереж. Мета дослідження полягає в знаходженні раціональної структури та методів навчання нейронної мережі для класифікації зображень. Для досягнення цієї мети необхідно виконати наступні завдання: 1) Провести аналіз існуючих рішень розпізнавання об’єкта на зображенні методами глибинного машинного навчання. 2) Розглянути архітектури та основні принципи побудови нейронних мереж. 3) Дослідити алгоритми і методи навчання нейронних мереж, а також технології, що можуть бути застосовані для поліпшеннязначень критеріїв навчання мережі. 4) Описати та обрати вхідні набори даних для навчання і тестування згорткової нейронної мережі. 5) Розробити та дослідити варіанти моделі архітектури нейронної мережі, провести експерименти на запропонованих наборах даних застосовуючи графічні прискорювачі. 6) Порівняти та проаналізувати отримані результати. Програмна реалізація виконана за допомогою мови програмування Python 3, на базі використання технологій TensorFlow для розробки логіки (backend) і Nvidia cuDNN для перенесення обчислень на потужності графічного прискорювача.uk123 комп’ютерна інженеріякомп’ютерний зірнейронна мережарозпізнавання об’єктакласифікаторGPUDiplomas