Поиск :
Личный кабинет :
Электронный каталог: Rulko, E.V. - Applying attention U-Net with PyTorch architectural add-ons for extensive hyperparameter search w...
Rulko, E.V. - Applying attention U-Net with PyTorch architectural add-ons for extensive hyperparameter search w...
Статья
Автор: Rulko, E.V.
Системный анализ и прикладная информатика: Applying attention U-Net with PyTorch architectural add-ons for extensive hyperparameter search w...
Использование U-Net сети с механизмом внимания совместно с архитектурными надстройками для фреймворка PyTorch в рамках поиска гиперпараметров посредством библиотеки Weights & Biases для предсказывания области видимости по карте местности
б.г.
ISBN отсутствует
Автор: Rulko, E.V.
Системный анализ и прикладная информатика: Applying attention U-Net with PyTorch architectural add-ons for extensive hyperparameter search w...
Использование U-Net сети с механизмом внимания совместно с архитектурными надстройками для фреймворка PyTorch в рамках поиска гиперпараметров посредством библиотеки Weights & Biases для предсказывания области видимости по карте местности
б.г.
ISBN отсутствует
На полку
Статья
Rulko, E.V.
Applying attention U-Net with PyTorch architectural add-ons for extensive hyperparameter search with Weights & Biases for area of visibility prediction based on terrain = Использование U-Net сети с механизмом внимания совместно с архитектурными надстройками для фреймворка PyTorch в рамках поиска гиперпараметров посредством библиотеки Weights & Biases для предсказывания области видимости по карте местности / E. V. Rulko. – DOI 10.21122/2309-4923-2025-2-4-10 // Системный анализ и прикладная информатика. – 2025. – № 2. – P. 4-10. – Режим доступа : https://rep.bntu.by/handle/data/158623. – На англ. яз.
Current level of development in the sphere of deep learning allows replacing existing domain-specific algorithms for military simulation with approximating neural networks. Hyperparameter search allows finding network’s architecture, appropriate for a task. This work describes that process for the task of predicting area of optical visibility, taking a fragment of a digital map as input and proposes ancillary architectural solutions for stitching building blocks together, assuring their conformation for performing search among their possible combinations within the architectural space. The final proposed result is a channel-wise attention U-Net with an encoder, based on ResNet50 backbone.
Текущий уровень развития глубокого обучения позволяет заменить нейронными сетями существующие специфические для моделирования военных действий алгоритмы. Поиск гиперпараметров даёт возможность определить структуры сетей, подходящие для решения соответствующих задач. Данная работа описывает процесс поиска структуры сети для предсказания зоны оптической видимости на основе фрагмента цифровой карты местности и предлагает архитектурные решения для комбинирования возможных составных частей сети, обеспечивая их совместимость в рамках поиска наилучшего решения. В качестве финального варианта предлагается использование U-Net архитектуры с поканальным механизмом внимания и энкодером на основе сети ResNet50.
004.85
общий = БД Техника
общий = ГЛУБОКОЕ ОБУЧЕНИЕ
общий = СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ
общий = НЕЙРОННЫЕ СЕТИ
общий = АРХИТЕКТУРА СЕТИ
Rulko, E.V.
Applying attention U-Net with PyTorch architectural add-ons for extensive hyperparameter search with Weights & Biases for area of visibility prediction based on terrain = Использование U-Net сети с механизмом внимания совместно с архитектурными надстройками для фреймворка PyTorch в рамках поиска гиперпараметров посредством библиотеки Weights & Biases для предсказывания области видимости по карте местности / E. V. Rulko. – DOI 10.21122/2309-4923-2025-2-4-10 // Системный анализ и прикладная информатика. – 2025. – № 2. – P. 4-10. – Режим доступа : https://rep.bntu.by/handle/data/158623. – На англ. яз.
Current level of development in the sphere of deep learning allows replacing existing domain-specific algorithms for military simulation with approximating neural networks. Hyperparameter search allows finding network’s architecture, appropriate for a task. This work describes that process for the task of predicting area of optical visibility, taking a fragment of a digital map as input and proposes ancillary architectural solutions for stitching building blocks together, assuring their conformation for performing search among their possible combinations within the architectural space. The final proposed result is a channel-wise attention U-Net with an encoder, based on ResNet50 backbone.
Текущий уровень развития глубокого обучения позволяет заменить нейронными сетями существующие специфические для моделирования военных действий алгоритмы. Поиск гиперпараметров даёт возможность определить структуры сетей, подходящие для решения соответствующих задач. Данная работа описывает процесс поиска структуры сети для предсказания зоны оптической видимости на основе фрагмента цифровой карты местности и предлагает архитектурные решения для комбинирования возможных составных частей сети, обеспечивая их совместимость в рамках поиска наилучшего решения. В качестве финального варианта предлагается использование U-Net архитектуры с поканальным механизмом внимания и энкодером на основе сети ResNet50.
004.85
общий = БД Техника
общий = ГЛУБОКОЕ ОБУЧЕНИЕ
общий = СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ
общий = НЕЙРОННЫЕ СЕТИ
общий = АРХИТЕКТУРА СЕТИ
