В контексте растущего объема данных в современном мире, особенно в области компьютерного зрения и обнаружения объектов, значимость выбора оптимальной нейросетевой модели для обработки изображений неуклонно возрастает. Используя продукционные правила и мета-параметры, такие как размер изображения и цветовая гамма, система предлагает пользователю три наиболее подходящие модели детектора, учитывая контекст и семантику изображений. В данном исследовании проведен анализ и отбор мета-параметров изображений, а также сравнительный анализ различных алгоритмов машинного и глубокого обучения, таких как Random Forest, XGBoost, CatBoost, LightGBM, AdaBoost и MLP для разработки методики рекомендации оптимальных моделей обнаружения объектов.
Герасимчук М.Ю., Сметанин А.А. (науч. рук. Духанов А.В.) Анализ и выделение мета-параметров изображений для обучения алгоритма рекомендаций по выбору наилучших нейросетевых моделей обнаружения объектов // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2024]. URL: https://kmu.itmo.ru/digests/article/12450