Кафедра системного аналізу та управління

Методичні рекомендації призначені для бакалаврів спеціальності 124 Системний аналіз, які виконують кваліфікаційну роботу. Містять основні вимоги до методики написання та оформлення кваліфікаційної роботи. В додатках наведено зразки оформлення титульного аркуша, завдання на виконання роботи, реферату, відомості матеріалів кваліфікаційної роботи, списку використаних джерел.

Містять основні вимоги щодо методики написання, оформлення та захисту кваліфікаційної роботи здобувачами ступеня магістра, критерії оцінювання роботи. У додатках наведено приклади оформлення титульного аркуша, завдання на виконання роботи, реферату, відомості матеріалів кваліфікаційної роботи, списку використаних джерел.

Моделі глибокого навчання показали багатообіцяючі результати у виявленні хвороб та шкідників рослин, але їх обчислювальна складність часто обмежує розгортання на пристроях з обмеженими ресурсами, що є важливим для моніторингу в режимі реального часу в теплицях. Дистиляція знань є одним із підходів, за допомогою якого можна пришвидшити виконання нейронних мереж за малих втрат якості. Дистиляція знань полягає в перенесенні знання від великої, точної моделі-вчителя до меншої, ефективнішої моделі- студента. Традиційна дистиляція знань покладається на зіставлення вихідних логітів вчителя або проміжних представлень ознак. Ключовим компонентом є шар відображення ознак, який перетворює ознаки вчителя в простір, сумісний зі студентом. Однак цей шар може швидко стати надмірно параметризованим, особливо при роботі з високорозмірними картами ознак. Велика кількість параметрів може призвести до перенавчання та перешкоджати процесу дистиляції. В даній роботі запропоновано новий шар відображення ознак на основі групової згортки. Групова згортка розкладає стандартну згортку на кілька менших згорток, що працюють на різних вхідних каналах, різко зменшуючи кількість параметрів.

Застосування методів глибокого навчання покращило вирішення задач комп'ютерного зору, такі як класифікація зображень. Однією з важливих сфер є класифікація продуктів харчування для подальшого підрахунку калорійності страв, яка може зробити значний внесок у популяризацію здорового харчування, допомагаючи людям робити усвідомлений вибір їжі. У цій статті представлено підхід з використанням адаптивних після навчання блоків (PTA) для підвищення ефективності та продуктивності мобільних моделей для класифікації продуктів харчування. Блок PTA розроблений як заміна пари інвертованих залишкових блоків, які зазвичай використовуються в таких архітектурах, як MobileNetV2. Запропонований блок дозволяє динамічно перемикатися між легкими та важкими гілками під час виконання, що дозволяє гнучко налаштовувати обчислювальні ресурси на основі можливостей пристрою. Така адаптивність робить модель універсальною, придатною для розгортання на широкому спектрі мобільних і периферійних пристроїв.