compozit2022

puexpo2022

archimed2023

infospace2023

spto kran2022

sv2023

kmu2023

minex kaz2023

smaet metal2023

ekip2023

nvp2023

vph2023

stroyvolga2023

helirussia2023

gaz neft tech2023

nmf-expo2023

isse2023

rusplast2023

ugolmining2023

engas2023

ekoteh lider2023

maks2023

army 2023

crio2022

bhot2023

expo rus-iran2023

rus elektronika2023

rus-vietnam2023

В МТУСИ разработали нейросеть, способную распознавать автомобили

neiron mtusiСотрудники факультета «Информационные технологии» МТУСИ под руководством декана факультета Михаила Городничева разработали уникальную нейронную сеть, созданную специально для решения задачи распознавания марок транспортных средств.
Человеческая жизнь в современную эпоху представляет собой обширный список практических задач, которые можно автоматизировать для повышения общей эффективности. В прошлом этот список ограничивался только задачами, решение которых не требовало творческого мышления и было свойственно только одному человеку.  На данном этапе достижения научно-технического прогресса за последние два десятилетия значительно расширили этот список.
Пресс-служба МТУСИ сообщила, что специально для подобных задач сотрудники вуза создали сверточные нейронные сети или CNN. Их задача – принимать изображения в качестве входной информации и, основываясь на результатах своей работы, выдавать названия классов объектов, которые были ранее определены в процессе обучения с помощью применения робасной функции потерь. В процессе разработки нейронной сети данные собирались с сервиса Auto.ru и камер наружного видеонаблюдения, а сам DataSet был собран размером более 90 тысяч экземпляров, которые в дальнейшем размещались и предобрабатывались, благодаря чему разработанная технология способна определять автомобили и их марки по отдельным элементам для повышения точности.

Искусственный интеллект в настоящее время является одним из наиболее перспективных направлений в ИТ-области. Одним из преимуществ данной разработки является её точность. В перспективе нейросеть с легкостью способна облегчить обработку входящего видеопотока для более глубокого сбора информации о составе транспортного потока, что позволит более оптимально и безопасно управлять им.