| DC Field | Value | Language |
|---|
| dc.contributor.author | Булавин, К. С. | - |
| dc.contributor.author | Степченков, Р. О. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-06-01T13:59:13Z | - |
| dc.date.available | 2026-06-01T13:59:13Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Булавин, К. С. Численные методы преобразования матриц для оптимизации обработки изображений в ML = The numerical methods of matrix transformations for image processing optimization in machine learning / К. С. Булавин, Р. О. Степченков // Компьютерные системы и сети : сборник материалов 62-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 13–17 апреля 2026 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2026. – С. 433–436. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63911 | - |
| dc.description.abstract | Работа посвящена исследованию эффективности применения сингулярного разложения (SVD) и анализа числа обусловленности матриц как метода интеллектуальной предобработки визуальных данных для нейросетевых моделей. Разработан гибридный алгоритм динамической аппроксимации, адаптирующий ранг разложения под информационную плотность кадра. Экспериментально доказано, что метод позволяет сократить объем передаваемых данных на 21,45% при сохранении точности детекции объектов (mAP@0.5) на уровне 96,2% от базовой модели YOLOv8n. Исследование ориентировано на применение в Edge-системах, БПЛА и автономном транспорте. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | сингулярное разложение | en_US |
| dc.subject | сингулярное число | en_US |
| dc.subject | машинное обучение | en_US |
| dc.subject | сжатие данных | en_US |
| dc.subject | парето-эффективность | en_US |
| dc.subject | обработка изображений | en_US |
| dc.title | Численные методы преобразования матриц для оптимизации обработки изображений в ML | en_US |
| dc.title.alternative | The numerical methods of matrix transformations for image processing optimization in machine learning | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The paper investigates the effectiveness of using Singular Value Decomposition (SVD) and matrix condition number analysis as a method for intelligent image preprocessing. A hybrid dynamic approximation algorithm has been developed. It is experimentally proved that the method reduces the data volume by 21.45% while maintaining the accuracy (mAP@0.5) at 96.2% of the baseline YOLOv8n model. | en_US |
| Appears in Collections: | Компьютерные системы и сети : материалы 62-й научной конференции аспирантов, магистрантов и студентов : сборник статей (2026)
|
