ТЕРЕҢ ОҚЫТУ ӘДІСТЕРІМЕН КЕСКІННІҢ САПАСЫН ЖАҚСАРТУ

Аннотация

В этой статье исследуется применение методов глубокого обучения для повышения точности улучшения функций в зашумленных изображениях. Была предложена архитектура модели обучения многозадачной сверточной нейронной сети (CNN), которая обучается на большом наборе аннотированных изображений. Для обработки зашумленных изображений использовались различные методы, включая использование увеличения данных, применение фильтров и использование методов реконструкции изображения. В результате экспериментов было показано, что предложенная модель с использованием методов глубокого обучения значительно повышает точность распознавания объектов на зашумленных изображениях. По сравнению с однозадачными моделями многозадачная модель показала превосходство этого подхода в одновременном выполнении нескольких задач и экономии времени обучения. Это исследование подтверждает эффективность использования многозадачных моделей с использованием глубокого обучения для распознавания объектов на зашумленных изображениях. Полученные результаты могут быть применены в различных областях, включая компьютерное зрение, робототехнику, автоматическое вождение и другие, где критически важным компонентом является точное распознавание объектов на зашумленных изображениях.