| DC Field | Value | Language |
|---|
| dc.contributor.author | Искра, Н. А. | - |
| dc.date.accessioned | 2020-02-19T09:00:55Z | - |
| dc.date.available | 2020-02-19T09:00:55Z | - |
| dc.date.issued | 2019 | - |
| dc.identifier.citation | Искра, Н. А. Подход к анализу изображений в системах мониторинга / Н. А. Искра // Мониторинг техногенных и природных объектов: материалы Международной научно-технической конференции, Минск, 28 – 29 ноября 2019 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск: БГУИР, 2019. – С. 23 – 33. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/38575 | - |
| dc.description.abstract | В данной работе предлагается подход к анализу изображений в системах мониторинга. Основное внимание уделяется построению семантической модели изображения. Результаты экспериментов по языковой интерпретации полученной модели показывают улучшение скорости обработки и качества аннотирования изображений до 60% (метрика METEOR) по сравнению с нейросетевыми методами. Также, использование данной модели позволяет очистить и нормализовать данные для обучения, в том числе нейросетевых архитектур, применяющихся в анализе изображений. Рассматриваются перспективы использования данной методики в ситуационном мониторинге. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | материалы конференций | ru_RU |
| dc.subject | ситуационный мониторинг | ru_RU |
| dc.subject | детекция объектов | ru_RU |
| dc.subject | семантическая модель | ru_RU |
| dc.subject | нейронные сети | ru_RU |
| dc.subject | situational monitoring | ru_RU |
| dc.subject | object detection | ru_RU |
| dc.subject | semantic model | ru_RU |
| dc.subject | neural networks | ru_RU |
| dc.title | Подход к анализу изображений в системах мониторинга | ru_RU |
| dc.type | Статья | ru_RU |
| local.description.annotation | In this paper the approach to image analysis in monitoring systems is proposed. Main focus is on the construction of the semantic model of the image. Experimental results with language interpretation of the model show the increase of the processing speed and the quality of image captioning up to 60% (METEOR metric) in comparison to pure neural network based methods. The usage of the model also allows to clean and normalize data for training neural network architectures specialized on image analysis among others. The perspectives of this technique employment in situational monitoring are considered. | - |
| Appears in Collections: | 2019
|
