| Form of studies |
Bachelor |
| Title of the study programm |
Computer Systems |
| Title in original language |
Ģeogrāfisko vides iezīmju atpazīšanas metožu salīdzinājums |
| Title in English |
The Comparison of Geographical Feature Recognition Methods |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Ilze Andersone |
| Reviewer |
Sintija Petroviča-Kļaviņa |
| Abstract |
Bakalaura darba tips - 1. tips: Moderno risinājumu izpēte.
Bakalaura darba ietvaros tiek pētītas dažādas ģeogrāfisko vides iezīmju
atpazīšanas metodes, to darbības principi un efektivitāte. Analītiskajā daļā ir salīdzināti
vairāki objektu atpazīšanas algoritmi, bet realizēti un kvantitatīvi salīdzināti ir: YOLO,
Mask R-CNN un Faster R-CNN. Katrs algoritms tiek apmācīts un testēts uz vienas un
tās pašas datu kopas, kas ietver gan dabiskās iezīmes, gan cilvēka radītas pasaulē
populāras vietas un ēkas. Tiek veikta šo modeļu veiktspējas, precizitātes, resursu
patēriņa un apmācības laika padziļināta salīdzināšana.
Bakalaura darbs sastāv no ievada, piecām nodaļām, rezultātiem un
secinājumiem. Ievadā tiek aprakstīta tēmas aktualitāte, bakalaura darba mērķi un
veicamie uzdevumi. Pirmajā nodaļā aprakstītas mūsdienīgas ģeogrāfisko vides iezīmju
atpazīšanas metodes un algoritmi. Otrajā nodaļā tiek dziļāk apskatīti vides iezīmju
atpazīšanas algoritmi, no apskatītājiem izvēlēti trīs un pamatoti kāpēc tie tika izvēlēti.
Trešajā nodaļā tiek paskaidrots par izvēlēto datu kopu, aprakstīta vide un procedūra.
Ceturtajā nodaļā tiek veikta modeļu pielāgošana, apmācība, validēšana un testēšana uz
izvēlēto datu kopu. Piektajā nodaļā ir sniegts modeļu rezultātu apkopojums. Rezultātos
un secinājumos tiek aprakstīts par darba ietvaros iegūtajiem rezultātiem.
Darbs sastāv no 62 lpp. teksta, 5 tabulām, 24 attēliem un 56 literatūras avotiem. |
| Keywords |
ģeogrāfisko vides iezīmju atpazīšana, YOLO, Mask R-CNN, Faster R-CNN |
| Keywords in English |
Geographic Environmental Feature Recognition, YOLO, Mask RCNN, Faster R-CNN |
| Language |
lv |
| Year |
2024 |
| Date and time of uploading |
03.09.2024 13:12:28 |
