2/4
Nr opisu: 0000043855 Autorzy: A.A. Kroshchanka, Vladimir Golovko, Marta Chodyka. Tytuł pracy: Method for Reducing Neural-Network Models of Computer Vision Tytuł czasopisma: Szczegóły: 2022, Vol. 32, issue 2, p. 294--300 p-ISSN: 1054-6618 e-ISSN: 1555-6212 Charakterystyka formalna: artykuł w czasopiśmie zagranicznym Charakterystyka merytoryczna: artykuł oryginalny naukowy Charakterystyka wg MNiSW: artykuł w czasopiśmie z IF (wykaz MEiN) Język publikacji: ENG Wskaźnik Impact Factor ISI: 1.000 Punktacja ministerstwa: 40.000 Słowa kluczowe ang.: computer vision ; deep neural networks ; neural networks ; parameters ; pretraining ; reduction https://link.springer.com/article/10.1134/S1054661822020146 DOI: 10.1134/S1054661822020146 Streszczenie: This article proposes an approach to reducing fully connected neural networks using classical and modified pretraining of deep neural networks. The authors have demonstrated that this approach can significantly reduce the number of parameters of the trained neural network with little or no reduction in the generalizing ability. The capabilities of the proposed method are demonstrated on classical computer vision datasets.
3/4
Nr opisu: 0000044457 Autorzy: Aliaksandr Kroshchanka, Vladimir Golovko. Tytuł pracy: The Reduction of Fully Connected Neural Network Parameters Using the Pre-training Technique Tytuł całości: W: IDAACS'2021 : proceedings of the 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), September 22-25, 2021, Cracow, Poland, Vol. 2 Miejsce wydania: [Piscataway] Wydawca: Institute of Electrical and Electronics Engineers (IEEE) Rok wydania: 2021 Seria: Proceedings of the IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems, 2770-4254 Strony zajęte przez pracę: P. 937-941 ISBN: 978-1-6654-2605-3 Charakterystyka formalna: rozdział w monografii zagranicznej Charakterystyka merytoryczna: konferencja naukowa międzynarodowa Charakterystyka wg MNiSW: rozdział w monografii z wykazu MEiN Język publikacji: ENG Słowa kluczowe ang.: computer vision ; deep neural networks ; pre-training ; reduction neural network parameters ; restricted Boltzmann Machine Uwaga: Kopia dostępna w Sekcji Bibliometrii. Inne bazy podające opis:
Scopus
WoS
DOI: 10.1109/IDAACS53288.2021.9661015 Streszczenie: This paper proposes an approach to the parameters reduction of fully connected neural networks using the conventional method of pre-training deep neural networks. It is shown that this approach makes it possible to reduce the number of trainable parameters without significant loss the generalization ability. The capabilities of the proposed technique are demonstrated using the standard dataset of handwritten digits MNIST.
4/4
Nr opisu: 0000042337 Autorzy: Vladimir Golovko, Alexander Kroshchanka, Sergei Bezobrazov, Anatoliy Sachenko, Myroslav Komar, Oleksandr Novosad. Tytuł pracy: Development of Solar Panels Detector Tytuł całości: W: Problems of Infocommunications Science and Technology (PIC S&T' 2018) : Conference Proceedings 2018 International Scientific-Practical Conference Miejsce wydania: Kharkiv Wydawca: Institute of Electrical and Electronics Engineers (IEEE) Rok wydania: 2018 ISBN: S. 761-764 Kopia niedostępna: x Charakterystyka formalna: referat w materiałach pokonferencyjnych zagranicznych Charakterystyka merytoryczna: konferencja naukowa międzynarodowa Charakterystyka wg MNiSW: publikacja w recenzowanych mat. konf. międzynar. uwzględnionej w WoS Język publikacji: ENG Punktacja ministerstwa: 15.000 Słowa kluczowe ang.: artificial intelligence ; computer vision ; convolutional neural network ; energy production ; geospatial data ; power capacity ; satellite photos ; solar panels detection Inne bazy podające opis:
Scopus
WoS
DOI: 10.1109/INFOCOMMST.2018.8632132 Streszczenie: The paper describes the method of detection of roof-installed solar photovoltaic panels in low-quality satellite photos. It is important to receive the geospatial data (such as country, zip code, street and home number) of installed solar panels, because they are connected directly to the local power. It will be helpful to estimate a power capacity and an energy production using the satellite photos. For this purpose, a Convolutional Neural Network was used. For training and testing dataset consists of low-quality Google satellite images was used. The experimental results show a high rate accuracy of detection with low rate incorrect classifications of the proposed approach. The proposed approach has enormous implementation and can be improved in future.
