Передискретизація зображень засобами машинного навчання
У роботі розроблено метод передискретизації зображень з цільовим коефіцієнтом зменшення засобами машинного навчання. Подано алгоритмічну реалізацію процедури синтезу матриці вагових коефіцієнтів синаптичних зв’язків, що лежить в основі процесу передискретизації. Підібрано оптимальні параметри нейрон...
Збережено в:
| Опубліковано в: : | Математичне та комп'ютерне моделювання. Серія: Технічні науки |
|---|---|
| Дата: | 2016 |
| Автори: | , , , , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2016
|
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/133741 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Передискретизація зображень засобами машинного навчання / Р.О. Ткаченко, І.В. Ізонін, Д.А. Батюк, Р.В. Сидоренко, В.І. Прострельчук // Математичне та комп'ютерне моделювання. Серія: Технічні науки: зб. наук. пр. — Кам’янець-Подільський: Кам'янець-Подільськ. нац. ун-т, 2016. — Вип. 13. — С. 176-182. — Бібліогр.: 4 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| Резюме: | У роботі розроблено метод передискретизації зображень з цільовим коефіцієнтом зменшення засобами машинного навчання. Подано алгоритмічну реалізацію процедури синтезу матриці вагових коефіцієнтів синаптичних зв’язків, що лежить в основі процесу передискретизації. Підібрано оптимальні параметри нейронних мереж машини геометричних перетворень для роботи в режимі навчання при розв’язанні поставленої задачі. Наведено числові та графічні результати передискретизації за розробленим методом на різних зображеннях.
In this paper, the method of image oversampling with a target coefficient of decrease based on machine learning is developed. Posted implementation of algorithmic synthesis procedure of weighting coefficients matrix of synaptic connections. The optimum parameters of neural networks to work in a learning mode for solving the problem. The numerical and graphical results by oversampling method developed in different images are shown.
|
|---|---|
| ISSN: | 2308-5916 |