Рекурентные сети для задач идентификации и прогнозирования со спецификой использования GAN: реферат дипломной работы/Хмыз Г.Д., физический факультет, кафедра ядерной физики, руководитель Чернявская Э.А.

Abstract

Ключевые слова: АНАЛИЗ, ИЗОБРАЖЕНИЕ, ДЕТЕКТИРОВАНИЕ, КЛАССИФИКАЦИЯ, ПРОГНОЗИРОВАНИЕ, ОБУЧЕНИЕ, МОДЕЛЬ, НЕЙРОННАЯ СЕТЬ, АРХИТЕКТУРА, YOLO, UA-DETRAC, SORT-TRACKER, MASK RCNN. Объект исследования – эффективность и особенности применения различных архитектур нейронных сетей для решения задачи прогнозирования временных рядов со спецификой использования генеративно-состязательных нейронных сетей. Цель работы – разработка моделей на основе наиболее актуальных современных архитектур нейронных сетей таких как: YOLO, mask RCNN, SORT-tracker и решение задач классификации, детектирования и прогнозирования временных рядов с использованием языка программирования Python. Методы исследования: a) теоретическое исследование источников по темам: генерация изображений, прогнозирование временных рядов классификация изображений, отслеживание объектов, архитектуры генеративно-состязательных сетей, архитектура SORT-tracker; б) сбор набора данных и подготовка его для моделей нейронных сетей; с) разработка моделей и проведение анализа решения выбранными моделями практической задачи. Результатом являются: нейронные сети, обученные на нескольких наборах данных, для задачи детектирования, классификации и прогнозирования временных рядов, сравнение различных показателей этих моделей. Область применения: использование данного исследования в качестве обоснования для выбора архитектуры при решении производственных задач классификации и детектирования и прогнозирования временных рядов.