Отправить статью по E-mail Идентификация показаний аналоговых измерительных приборов с помощью нейронных сетей
- Авторы: Чупринова О.1
-
Учреждения:
- Санкт-Петербургский государственный университет аэрокосмического приборостроения
- Выпуск: № 6 (2024)
- Страницы: 98-100
- Раздел: Искусственный интеллект
- URL: https://journals.eco-vector.com/1992-4178/article/view/636246
- DOI: https://doi.org/10.22184/1992-4178.2024.237.6.98.100
- ID: 636246
Цитировать
Полный текст
Открытый доступ
Доступ предоставлен
Доступ платный или только для подписчиков
Аннотация
Рассмотрено построение архитектуры нейронной сети для снятия показаний с аналоговых приборов. Описаны основные блоки и используемые элементы, такие как сверточные сети ResNet и Path Aggregation Network. Сделана оценка точности полученной модели на тестовой выборке по двум функциям потерь Loss.
Ключевые слова
Полный текст
Об авторах
О. Чупринова
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Автор, ответственный за переписку.
Email: chuprinova_o@mail.ru
кафедра метрологического обеспечения инновационных технологий и промышленной безопасности, аспирант
РоссияСписок литературы
- Disentangling Neural Architectures and Weights: A Case Study in Supervised Classification. Nicolo Colombo, Yang Gao. Department of Computer Science Royal Holloway University of London, Egham Hill, Egham TW20 0EX, UK September 14, 2020.
- V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. Fausto Milletari, Nassir Navab, Seyed-Ahmad Ahmadi.
- Zettinig O., Shah A., Hennersperger C., Eiber M., Kroll C., K΄ubler H., Maurer T., Milletari F., Rackerseder J., zu Berge C.S. et al. Multimodal image-guided prostate fusion biopsy based on automatic deformable registration. International journal of computer assisted radiology and surgery 10(12), 1997–2007 (2015).
- Milletari F., Ahmadi S.A., Kroll C., Plate A., Rozanski V., Maiostre J., Levin J., Dietrich O., Ertl-Wagner B., B΄otzel K. et al. Hough-cnn: Deep learning for segmentation of deep brain regions in mri and ultrasound. arXiv preprint arXiv:1601.07014.
- Deep Residual Learning for Image Recognition. Kaiming He Xiangyu, Zhang Shaoqing, Ren Jian Sun Microsoft Research.
- Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation // CVPR, 2015.
- Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova. Bert: Pretraining of deep bidirectional transformers for language understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), pages 4171–4186, 2019.
- Noh H., Hong S., Han B. Learning deconvolution network for semantic segmentation // Proceedings of the IEEE International Conference on Computer Vision. PP. 1520–1528.
Дополнительные файлы
