Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/335113Полная запись метаданных
| Поле DC | Значение | Язык |
|---|---|---|
| dc.contributor.author | Charapennikau, R. M. | |
| dc.date.accessioned | 2025-09-30T08:43:18Z | - |
| dc.date.available | 2025-09-30T08:43:18Z | - |
| dc.date.issued | 2025 | |
| dc.identifier.citation | Трансформация механико-математического и IT-образования в условиях цифровизации : материалы ІІ Междунар. науч.-практ. конф., Респ. Беларусь, Минск, 22–24 апр. 2025 г. В 2 ч. Ч. 2 / Белорус. гос. ун-т ; редкол.: Н. В. Бровка (гл. ред.) [и др.]. – Минск : БГУ, 2025. – С. 260-265. | |
| dc.identifier.isbn | 978-985-881-796-1 | |
| dc.identifier.isbn | 978-985-881-798-5 (ч. 2) | |
| dc.identifier.uri | https://elib.bsu.by/handle/123456789/335113 | - |
| dc.description | Раздел VI. Исследования молодых ученых: актуальные проблемы и направления | |
| dc.description.abstract | В статье исследуется использование диффузионных моделей для создания синтетических наборов данных для распознавания факторных признаков с акцентом на прогнозирование возраста, пола и этнической принадлежности. Мы сравниваем модели, обученные на реальных данных, синтетических данных и их комбинации. Мы демонстрируем, что предварительное обучение на синтетических данных с последующей точной настройкой на реальных образцах превосходит модели, обученные исключительно на реальных данных. Наши результаты подчеркивают потенциал синтетических данных для повышения производительности нейронных сетей в задачах регрессии и классификации | |
| dc.language.iso | en | |
| dc.publisher | Минск : БГУ | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика | |
| dc.title | Using synthetic data for face attributes recognition | |
| dc.title.alternative | Использование синтетических данных для распознавания атрибутов лица / Р. М. Черепенников | |
| dc.type | conference paper | |
| dc.description.alternative | The paper explores the usage of diffusion models to create synthetic datasets for facial attribute recognition, focusing on age, gender and ethnicity prediction. We compare models trained on real-world data, synthetic data, and a combination of both. We demonstrate that pretraining on synthetic data followed by fine-tuning on real samples outperforms models trained solely on real-world data. Our results highlight the potential of synthetic data to enhance neural network performance in regression and classification tasks | |
| Располагается в коллекциях: | 2025. Трансформация механико-математического и IT-образования в условиях цифровизации | |
Полный текст документа:
| Файл | Описание | Размер | Формат | |
|---|---|---|---|---|
| 260-265.pdf | 540,73 kB | Adobe PDF | Открыть |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.