Отрывок: Искусственный интеллект 12 Исходные гиперспектральные данные были вручную разделены на тренировочную и тестовую выборку. Для обучения нейронных сетей использовалась функция ошибки FocalLoss с параметром gamma=5.5. Количество эпох обучения нейронных сетей 70, используемый оптимизатор – Adam [6]. Шаг обучения контролировался с помощью метода Cosine Annealing With Warm Restart [7] с изначальным значением 0.001 и параметрами t_0=2, t_mult=1...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Мухин А. В. | ru |
dc.contributor.author | Грибанов Д. Н. | ru |
dc.contributor.author | Парингер Р. А. | ru |
dc.coverage.spatial | свертка | ru |
dc.coverage.spatial | сверточная нейронная сеть | ru |
dc.coverage.spatial | нейронные сети | ru |
dc.coverage.spatial | гиперспектральные данные | ru |
dc.creator | Мухин А. В., Грибанов Д. Н., Парингер Р. А. | ru |
dc.date.issued | 2022 | ru |
dc.identifier | RU\НТБ СГАУ\490938 | ru |
dc.identifier.citation | Мухин, А. В. Применение нейросетевых алгоритмов для решения задачи семантической сегментации гиперспектральных данных / А. В. Мухин, Д. Н. Грибанов, Р. А. Парингер // Информационные технологии и нанотехнологии (ИТНТ-2022) : сб. тр. по материалам VIII Междунар. конф. и молодеж. шк. (г. Самара, 23 - 27 мая) : в 5 т. / М-во науки и образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем обраб. изобр. РАН - фил. ФНИЦ "Кристаллография и фотоника" РАН. - Самара : Изд-во Самар. ун-та, 2022Т. 4: Искусственный интеллект / под ред. А. В. Никонорова. - 2022. - С. 040102. | ru |
dc.description.abstract | Использование гиперспектральных данных позволяет решать сложные задачи анализа, которые невозможно решить, используя RGB изображения. Гиперспектральные данные часто используются в такой области человеческой жизнедеятельности как сельское хозяйство и агрокультура для наблюдения за растительностью: их степенью влажности и общего здоровья. Успешному применению нейросетевых алгоритмов для анализа гиперспектральных данных препятствует: большая размерность данных, небольшие объемы размеченных данных, влияние условий съемки на качество данных, различие в параметрах и настройках гиперспектральных камер. В данной работе рассматриваются различные подходы к применению нейронных сетей, позволяющих решать задачусемантической сегментации гиперспектральных данных учитывая их специфику. Предложенная в работеархитектура нейронной сети и метод предобработки данных позволил обучить нейронную сеть, превосходящуюклассические алгоритмы машинного обучения согласно метрике F1. | ru |
dc.language.iso | rus | ru |
dc.relation.ispartof | Информационные технологии и нанотехнологии (ИТНТ-2022) : сб. тр. по материалам VIII Междунар. конф. и молодеж. шк. (г. Самара, 23 - 27 мая) : в 5 т. - | ru |
dc.source | Информационные технологии и нанотехнологии (ИТНТ-2022). - Т. 4 : Искусственный интеллект | ru |
dc.title | Применение нейросетевых алгоритмов для решения задачи семантической сегментации гиперспектральных данных | ru |
dc.type | Text | ru |
dc.citation.spage | 040102 | ru |
dc.citation.volume | 4 | ru |
dc.textpart | Искусственный интеллект 12 Исходные гиперспектральные данные были вручную разделены на тренировочную и тестовую выборку. Для обучения нейронных сетей использовалась функция ошибки FocalLoss с параметром gamma=5.5. Количество эпох обучения нейронных сетей 70, используемый оптимизатор – Adam [6]. Шаг обучения контролировался с помощью метода Cosine Annealing With Warm Restart [7] с изначальным значением 0.001 и параметрами t_0=2, t_mult=1... | - |
Располагается в коллекциях: | Информационные технологии и нанотехнологии |
Файлы этого ресурса:
Файл | Размер | Формат | |
---|---|---|---|
ИТНТ-2022. Том 4. Искусственный интеллект/978-5-7883-1792-2_2022-040102.pdf | 548.33 kB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.