Wyniki wyszukiwania - BazTech

1

Zastosowanie sieci konwolucyjnej głębokiego uczenia w detekcji pojazdów

Oszutowska-Mazurek D. A., Mazurek P.

Problemy Nauk Stosowanych

|

2017

|

T. 7

47-56

PL

Wstęp i cel: Detekcja pojazdów na znaczenie w bezpieczeństwie ruchu drogowego oraz programowaniu pojazdów autonomicznych. Celem pracy jest detekcja pojazdów odróżniająca obrazy pojazdów od innych obrazów nie zawierających pojazdów. Materiał i metody: W pracy wykorzystano bazę pojazdów zawierającą obrazy ekstrahowane z sekwencji wideo, które przetwarzano za pomocą sieci konwolucyjnej głębokiego uczenia. Wyniki: Uzyskana sieć konwolucyjna charakteryzuje się bardzo dobrymi parametrami, krzywa PSNR względem kroku uczenia rośnie co oznacza, że zachodzi proces odszumiania kerneli w całym procesie uczenia. Wniosek: Proponowana metoda może być wykorzystana w programowaniu pojazdów autonomicznych oraz implementacji w Inteligentnych Systemach Transportowych ITS do detekcji pojazdów; bazuje na uczeniu a nie na projektowaniu algorytmu syntetycznego, dzięki temu jest potrzebny relatywnie krótki czas opracowania klasyfikatora.

EN

Introduction and aim: Vehicle detection plays essential role in road safety and automatic vehicle programming. The aim of study is vehicle detection distinguishing car and non-car images Material and methods: Vehicle database images extracted from video sequences were processed by deep learning convolutional network. Results: Obtained convolutional network is characterised by very good parameters, PSNR curve indicates denoising of kernels in learning process. Conclusion: Proposed method is potentially useful in autonomic vehicles programming and Intelligent Transportation Systems (ITS) for vehicles detection. The solution is based on learning, not on synthetic algorithm design, thanks to this, a relatively short time of classifier development is needed.

2

Wykorzystanie sieci neuronowej Kohonena do wizualizacji danych MPG

Oszutowska-Mazurek D. A.

Problemy Nauk Stosowanych

|

2016

|

T. 4

19--30

PL

Wstęp i cel: Zastosowanie sieci neuronowych Kohonena zapewnia zmniejszenie wielowymiarowości danych. Wizualizacja w postaci map samoorganizujących się (SOM) jest użytecznym narzędziem do wstępnego kastrowania (grupowania) danych. Materiał i metody: Wizualizację przeprowadzona dla rzeczywistych danych, udostępnionych przez uniwersytet w Kalifornii za pomocą oprogramowania SNNS v.4.3. Głównym celem pracy jest zastosowanie sieci neuronowych Kohonena zapewniające zmniejszenie wielowymiarowości danych. Wyniki: Otrzymano wizualizacje danych wskazujące jednoznacznie na dodatnie i ujemne korelacje danych MPG. Wniosek: Mapy samoorganizujące się mogą być dedykowane wizualizacji danych wielowymiarowych jednak wyniki zależą od sposobu mapowania danych wejściowych, zwłaszcza o charakterze jakościowym, nawet jeśli stosowana jest normalizacja każdego z parametrów.

EN

Introduction and aim: The use of Kohonen neural network ensures the decrease of data multidimensionality. Visualisation called Self organized maps is useful tool for preliminary data clustering. Material and methods: The visualisation of real data set was obtained with the use of program SNNS v.4.3 for real dataset from California University. The main aim of this paper is the use of Kohonen neural network to ensure the reduction of multidimensional data. Results: Obtained visualisations of data indicate unambiguously positive and negative correlations for MPG data Conclusion: Self organising maps could be dedicated to multidimensional data visualisation and preliminary quality assessment, but the results depend on the mapping method of input data, especially quantity type, even if normalisation of every parameter is provided.

3

Adaptacyjna metoda poprawy kontrastu dla cyfrowych obrazów rozmazów cytologicznych

Oszutowska-Mazurek D. A., Waker-Wójciuk G, Sycz K.

Problemy Nauk Stosowanych

|

2016

|

T. 5

163--170

PL

Wstęp i cel: Zwiększenie kontrastu między jądrem komórkowym a cytoplazmą zapewnia poprawę wizualizacji cytologicznych cech komórki. Celem pracy jest poprawa wizualizacji jądra komórkowego. Materiał i metody: Automatyzacja doboru progu z wykorzystaniem algorytmu adaptacyjnego progowania dla rozkładów dwumodalnych została przeprowadzona dla obrazów rozmazów cytologicznych. Wyniki: Uzyskano zwiększony kontrast dla jądra komórkowego, dzięki czemu osiągnięto poprawę wizualizacji struktury chromatyny. Wniosek: Adaptacyjna metoda poprawy kontrastu może być użyteczna w diagnostyce cytologicznej, ale potrzebna jest weryfikacja w oparciu o większą bazę danych obrazów cytologicznych.

EN

Introduction and aim: Contrast enhancement between nucleus and cytoplasm ensures improvement of cytological features visualisation. The aim of study is improvement of nucleus visualisation. Material and methods: Automation of threshold estimation with the use of adaptive tresholding algorithm for bimodal distributions was provided for images of cytological smears. Results: Improved contrast for cell nuclei was obtained and therefore the enhancement of chromatine structure visualisation is achieved. Conclusion: Adaptive method of contrast enhancement could be useful in cytological diagnosis, but requires verification with the use of large database of cytological images.