dc.contributor.author |
Kojs, Kamil |
|
dc.date.accessioned |
2023-01-26T07:40:39Z |
|
dc.date.available |
2023-01-26T07:40:39Z |
|
dc.date.issued |
2023-01-26 |
|
dc.identifier.issn |
2022/I/F/8 |
|
dc.identifier.uri |
https://repin.pjwstk.edu.pl/xmlui/handle/186319/2322 |
|
dc.description.abstract |
W pracy zaprezentowana została metoda wykrywania pieszych oraz
pojazdów za pomocą głębokiej sztucznej sieci neuronowej. Przedstawiona
została teoria sztucznych sieci neuronowych potrzebna do zrozumienia
działania wykorzystanej architektury oraz procesu uczenia
modelu. Opisany został proces zebrania oraz przygotowania zbioru
danych, a także proces trenowania modelu. Zaprojektowane zostały
eksperymenty, po ich przeprowadzeniu przeanalizowane zostały wyniki
oraz wybrany został model o najlepszej jakości. Rezultatem niniejszej
pracy było stworzenie najbardziej efektywnego modelu zdolnego
poprawnie wykrywać pieszych oraz pojazdy na przetwarzanym
obrazie. |
pl_PL |
dc.language.iso |
other |
pl_PL |
dc.relation.ispartofseries |
;Nr 6465 |
|
dc.subject |
Głębokie sieci neuronowe |
pl_PL |
dc.subject |
Sztuczne sieci neuronowe |
pl_PL |
dc.subject |
Przetwarzanie obrazu |
pl_PL |
dc.subject |
Wykrywanie obiektów |
pl_PL |
dc.subject |
Wykrywanie pieszych oraz pojazdów |
pl_PL |
dc.subject |
Konwolucyjne sieci neuronowe |
pl_PL |
dc.subject |
Architektura Faster R-CNN |
pl_PL |
dc.subject |
Trenowanie modeli |
pl_PL |
dc.subject |
Wzbogacanie danych |
pl_PL |
dc.subject |
Klasyfikator |
pl_PL |
dc.subject |
Sztuczna komórka nerwowa |
pl_PL |
dc.subject |
Algorytm wstecznej propagacji |
pl_PL |
dc.subject |
Warstwy próbkujące |
pl_PL |
dc.title |
Detekcja uczestników ruchu drogowego w oparciu o gł˛ebokie sztuczne sieci neuronowe |
pl_PL |
dc.type |
Thesis |
pl_PL |