ПРИМЕНЕНИЕ БАЙЕСОВСКОЙ ТЕОРЕМЫ В КЛАССИФИКАЦИИ ЭЛЕКТРИЧЕСКИХ ЦЕПЕЙ С ПОМОЩЬЮ YOLOV8
DOI:
https://doi.org/10.52167/1609-1817-2024-133-4-285-295Ключевые слова:
электрическая цепь, байесовская сеть, YOLOv8, гибридный подход, YOLOv9, модель обнаружения объектовАннотация
В данной работе исследуется синергетический потенциал байесовской теоремы и YOLOv8 в области классификации электрических цепей. Интеграция этих методологий свидетельствует о значительном повышении точности прогнозирования, особенно в сценариях с ограниченной доступностью наборов данных. Объединяя байесовские принципы с надежностью YOLOv8, наше исследование преодолевает проблемы, связанные с недостаточным количеством обучающих данных, представляя новый подход, который значительно повышает точность идентификации компонентов схемы. Результаты этого исследования позиционируют объединение байесовской теоремы и YOLOv8 как надежное решение, особенно полезное для совершенствования моделей классификации в средах с ограниченными ресурсами. Этот гибридный подход не только устраняет ограничения, связанные с нехваткой данных, но и демонстрирует свою эффективность в составлении более надежных и точных прогнозов. Тонкое понимание неопределенностей, обеспечиваемое байесовскими принципами, дополняет эффективность YOLOv8, делая комбинированную модель устойчивой перед лицом проблем. В заключение, наше исследование вносит свой вклад в развивающийся ландшафт классификации электрических цепей, представляя комплексное решение, которое процветает в сценариях с ограниченным набором данных. Эта новая интеграция не только повышает точность, но и обещает изменить парадигму интеллектуальных систем в полевых условиях, предлагая более надежный и детальный подход к классификации схем в реальных условиях с ограниченными ресурсами.
Библиографические ссылки
[1] Родригес-Ранхель Х., Моралес-Росалес Л. А., Анализ статистических алгоритмов и алгоритмов искусственного интеллекта для оценки скорости в режиме реального времени на основе обнаружения транспортных средств с YOLO // Applied Sciences, 2022 - mdpi.com
[2] Редмон Дж., Диввала С., Гиршик Р., Фархади А. Вы смотрите только один раз: унифицированное обнаружение объектов в режиме реального времени. В материалах конференции IEEE по компьютерному зрению и распознаванию образов (CVPR) 2016, Лас-Вегас, Невада, США, 2016. - С. 779–788. [Перекрестная ссылка]
[3] Хуанг С., Ван X., Лв В., Бай Х., Лонг X., Дэн К., Данг К., Хан С., Лю К., Ху Х., и др. PP-YOLOv2: Практичный детектор объектов. arXiv 2021, arXiv:2104.10419.
[4] Редмон Дж., Фархади. А., Ёлов 3. Постепенное улучшение. arXiv 2018, arXiv:1804.02767.
[5] Рой А.М., Бозе Р., Бхадури Дж., Быстрая и точная модель обнаружения мелкозернистых объектов на основе глубокой нейронной сети YOLOv4. Нейронные вычисления. Appl. 2022. – 34. – С. 1–27. [Перекрестная ссылка]
[6] Чао Ци, Цзюньфэн Гао, Саймон Пирсон, Хелен Харман, Кунцзе Чен, Лэй Шуа Обнаружение чайной хризантемы в неструктурированных средах с использованием экспертных систем TC-YOLO, 2022. – Elsevier
[7] SAF Manssor, Sun S. Распознавание человека в режиме реального времени ночью с помощью интегрированных технологий распознавания лиц и походки // MAM Elhassan Датчики, 2021 г. mdpi.com
[8] Wang, C.-Y., Yeh, I.-H., & Liao, H.-Y. M. (2024). YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information. *arXiv:2402.13616v2*. Retrieved from https://arxiv.org/abs/2402.13616
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Асем Шаяхметова, Ардак Ахметова, Асель Абдилдаева, Динара Касымова, Нуркен Абдрахманов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
