| Studiju veids |
maģistra profesionālās studijas |
| Studiju programmas nosaukums |
Viedās elektroniskās sistēmas |
| Nosaukums |
Dziļo neironu tīklu izstrāde aveņu un cidoniju detektēšanai un semantiskā segmentācija |
| Nosaukums angļu valodā |
Developing Deep Learning Model for Detection and Semantic Segmentation of Raspberries and Quinces |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Dmitrijs Pikuļins |
| Recenzents |
Artūrs Āboltiņš |
| Anotācija |
Šajā disertācijā es izmantoju dziļās mācīšanās modeļus, lai atklātu un semantiski segmentētu Raspberries un Quinces. Pašlaik dziļo mācību modeļu aplikācijas ir pašbraucējas automašīnas, virtuālie palīgi, redzes atpazīšana, veselības aprūpe u.c. Mans plāns ir izmantot dziļās mācīšanās metodes fenotipizēšanai. Dziļās mācīšanās modeli var izmantot, lai klasificētu, novērtētu, izsekotu, skaitītu un veidotu maskas gan RGB, gan hiperspektrālajiem Raspberries un Quinces attēliem. Tāpat tēze salīdzinās modeļa sniegumu, kas trenēts gan RGB (Red Green, gan Blue), gan Hyperspectral datos. Pēc tēzes, dārzkopības institūta eksperti var izmantot šos modeļus saviem pētījumiem. Šī tēze bija daļa no Latvijas Zinātnes padomes projekta Nr. LZP-2020/1-0353 “Vieda neinvazīva aveņu un japāņu cāļu fenotipizācija, izmantojot mašīnmācību un hiperspektrālo un 3D attēlveidošanu AKFEN”. Ar šo tēzi asociējas arī divi zinātniskie referāti. Viens jau ir publicēts, otrs – rakstīts un plānots publicēšanai. |
| Atslēgas vārdi |
Deep Learning, U-Net, YOLO, Smart Phenotyping, Artificial Intelligence, Object detection, Semantic Segmentation, Hyperspectral Images. |
| Atslēgas vārdi angļu valodā |
Deep Learning, U-Net, YOLO, Smart Phenotyping, Artificial Intelligence, Object detection, Semantic Segmentation, Hyperspectral Images. |
| Valoda |
eng |
| Gads |
2023 |
| Darba augšupielādes datums un laiks |
06.01.2023 15:15:38 |
