Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/341171Полная запись метаданных
| Поле DC | Значение | Язык |
|---|---|---|
| dc.contributor.author | Колб, О. О. | |
| dc.contributor.author | Лукашевич, М. М. | |
| dc.date.accessioned | 2026-02-05T11:05:05Z | - |
| dc.date.available | 2026-02-05T11:05:05Z | - |
| dc.date.issued | 2025 | |
| dc.identifier.citation | Информационные системы и технологии = Information Systems and Technologies : материалы XI Междунар. науч. конгр. по информатике (CSIST-2025), Респ. Беларусь, Минск, 29–31 окт. 2025 г. В 2 ч. Ч. 2 / Белорус. гос. ун-т ; редкол.: С. В. Абламейко (гл. ред.) [и др]. – Минск : БГУ, 2025. – С. 263-270. | |
| dc.identifier.isbn | 978-985-881-851-7 | |
| dc.identifier.isbn | 978-985-881-853-1 (ч. 2) | |
| dc.identifier.uri | https://elib.bsu.by/handle/123456789/341171 | - |
| dc.description | Раздел III. Теоретическая информатика и программная инженерия | |
| dc.description.abstract | В работе исследуются алгоритмы глубокого обучения для задачи обнаружения объектов на изображениях с акцентом на архитектуры YOLOv8, YOLOv11 и YOLOv12 с поддержкой ориентированных ограничительных рамок (OBB). Проведён сравнительный анализ их производительности, точности и способности к обобщению на медицинском датасете. Результаты представлены в виде мета-таблиц и визуализаций, а также проанализированы по метрикам. Проведено тестирование моделей на реальных данных | |
| dc.language.iso | ru | |
| dc.publisher | Минск : БГУ | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика | |
| dc.title | Нейросетевые архитектуры детекции объектов на основе ориентированных ограничительных рамок | |
| dc.title.alternative | Neural network architectures for object detection based on oriented bounding boxes / A. A. Kolb, M. M. Lukashevich | |
| dc.type | conference paper | |
| dc.description.alternative | The paper investigates deep learning algorithms for object detection in images, with a focus on the YOLOv8, YOLOv11, and YOLOv12 architectures with support for oriented bounding boxes (OBBs). A comparative analysis of their performance, accuracy, and generalisation ability on a medical dataset is conducted. The results are presented in the form of meta-tables and visualisations, and analysed according to metrics. The models are tested on real data | |
| Располагается в коллекциях: | 2025. Информационные системы и технологии | |
Полный текст документа:
| Файл | Описание | Размер | Формат | |
|---|---|---|---|---|
| 263-270.pdf | 926,25 kB | Adobe PDF | Открыть |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.