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...
Saved in:
| Published in: | Математичне та комп'ютерне моделювання. Серія: Технічні науки |
|---|---|
| Date: | 2016 |
| Main Authors: | , , , , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2016
|
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/133741 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | 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. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| Summary: | 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 |