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.authorМухин А. В.ru
dc.contributor.authorГрибанов Д. Н.ru
dc.contributor.authorПарингер Р. А.ru
dc.coverage.spatialсверткаru
dc.coverage.spatialсверточная нейронная сетьru
dc.coverage.spatialнейронные сетиru
dc.coverage.spatialгиперспектральные данныеru
dc.creatorМухин А. В., Грибанов Д. Н., Парингер Р. А.ru
dc.date.issued2022ru
dc.identifierRU\НТБ СГАУ\490938ru
dc.identifier.citationМухин, 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.abstractИспользование 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.isorusru
dc.relation.ispartofИнформационные 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.sourceИнформационные технологии и нанотехнологии (ИТНТ-2022). - Т. 4 : Искусственный интеллектru
dc.titleПрименение нейросетевых алгоритмов для решения задачи семантической сегментации гиперспектральных данныхru
dc.typeTextru
dc.citation.spage040102ru
dc.citation.volume4ru
dc.textpartИскусственный 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.pdf548.33 kBAdobe PDFПросмотреть/Открыть
Показать базовое описание ресурса Просмотр статистики
Поделиться:



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.