| DC Field | Value | Language |
|---|
| dc.contributor.author | Скалозуб, К. А. | - |
| dc.contributor.author | Нестеренков, С. Н. | - |
| dc.contributor.author | Ярмош, А. Д. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2025-07-09T10:43:06Z | - |
| dc.date.available | 2025-07-09T10:43:06Z | - |
| dc.date.issued | 2025 | - |
| dc.identifier.citation | Скалозуб, К. А. Градиентные методы оптимизации в компьютерном зрении для медицинской диагностики = Gradient optimization methods in computer vision for medical diagnostics / К. А. Скалозуб, С. Н. Нестеренков, А. Д. Ярмош // Технологии передачи и обработки информации : материалы Международного научно-технического семинара, Минск, апрель 2025 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. Ю. Цветков [и др.]. – Минск, 2025. – С. 34–36. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/60682 | - |
| dc.description.abstract | В статье рассматриваются градиентные методы оптимизации, применяемые в компьютерном зрении для медицинской диагностики. Описаны основные методы, такие как SGD, Adagrad, RMSprop, Adam и L-BFGS, их особенности и влияние на точность обучения нейросетей. Приведены примеры их использования в анализе медицинских изображений, включая диагностику опухолей, распознавание патологий и обработку ультразвуковых снимков. Подчеркивается важность выбора метода оптимизации для повышения точности диагностики и сокращения количества ошибок. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | градиентные методы | en_US |
| dc.subject | оптимизация | en_US |
| dc.subject | компьютерное зрение | en_US |
| dc.subject | медицинская диагностика | en_US |
| dc.subject | нейронные сети | en_US |
| dc.subject | анализ изображений | en_US |
| dc.title | Градиентные методы оптимизации в компьютерном зрении для медицинской диагностики | en_US |
| dc.title.alternative | Gradient optimization methods in computer vision for medical diagnostics | en_US |
| dc.type | Article | en_US |
| local.description.annotation | This article discusses gradient optimization methods used in computer vision for medical diagnostics. It describes the main methods, such as SGD, Adagrad, RMSprop, Adam, and L-BFGS, their characteristics, and their impact on the accuracy of neutal network training. Examples of their use in the analysis of medical images are provided, including tumor diagnostics, pathology recognition, and ultrasound image processing. The importance of selecting an optimization method to enhance diagnostic accuracy and reduce the number of errors is emphasized. | en_US |
| Appears in Collections: | Технологии передачи и обработки информации : материалы Международного научно-технического семинара (2025)
|
