| DC Field | Value | Language |
|---|
| dc.contributor.author | Навроцкий, А. А. | - |
| dc.contributor.author | Шилин, Л. Ю. | - |
| dc.contributor.author | Хмыз, Д. Д. | - |
| dc.contributor.author | Сморщок, К. Д. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-05-07T07:20:23Z | - |
| dc.date.available | 2026-05-07T07:20:23Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Модели и методы глубокого обучения для детектирования объектов в интеллектуальных системах обработки визуальных данных = Deep learning models and methods for object detection in intelligent visual data processing systems / А. А. Навроцкий, Л. Ю. Шилин, Д. Д. Хмыз, К. Д. Сморщок // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 285–288. = / А. А. Навроцкий, Л. Ю. Шилин, Д. Д. Хмыз, К. Д. Сморщок // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 285–288. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63607 | - |
| dc.description.abstract | В работе представлено исследование и практическая реализация нейросетевой системы детектирования объектов транспортной инфраструктуры на основе современной архитектуры Ultralytics YOLO26. Рассмотрены методы глубокого обучения для обработки визуальных данных в задачах реального времени, особенности оптимизации параметров сети с использованием модифицированного алгоритма MuSGD, а также комплексная оценка качества модели по метрикам IoU, Precision, Recall, F1 и mAP. Полученные результаты (mAP@0.5 = 0.768, Precision = 0.93, Recall = 0.84) подтверждают эффективность предложенного подхода для применения в интеллектуальных информационных системах мониторинга. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | Big Data | en_US |
| dc.subject | информационные системы | en_US |
| dc.subject | глубокое обучение | en_US |
| dc.subject | детектирование объектов | en_US |
| dc.subject | обработка визуальных данных | en_US |
| dc.subject | интеллектуальные информационные системы | en_US |
| dc.subject | оптимизация | en_US |
| dc.title | Модели и методы глубокого обучения для детектирования объектов в интеллектуальных системах обработки визуальных данных | en_US |
| dc.title.alternative | Deep learning models and methods for object detection in intelligent visual data processing systems | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The paper presents a study and practical implementation of a neural network-based object detection system for transport infrastructure using the modern Ultralytics YOLO26 architecture. Methods of deep learning for visual data processing in real-time applications are considered, along with network parameter optimization using the modified MuSGD algorithm. A comprehensive evaluation of model performance is conducted using IoU, Precision, Recall, F1-score, and mAP metrics. The obtained results (mAP@0.5 = 0.768, Precision = 0.93, Recall = 0.84) confirm the effectiveness of the proposed approach for deployment in intelligent information monitoring systems. | en_US |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026)
|
