Doctor of Engineering Science, Associate Professor
доктор технических наук, доцент
Data Analysis Specialist
специалист по анализу данных
Subject of research: comparative efficiency in the tasks of detecting graphic objects of three architectures: YOLOv8, Faster R-CNN and its improved version, upgraded by adding the Squeeze-and-Excitement module, in the tasks of detecting and classifying handwritten graphic objects.
Purpose of research: conducting a comparative assessment of the accuracy metrics of the YOLOv8, Faster R-CNN models and its improved version to solve the problem of detecting and classifying handwritten objects in an image.
Research methods: data preprocessing, image markup with the Label Studio tool, training and testing models with various hyperparameters, activation functions and optimizers.
Object of research: a specially created dataset containing images of handwritten drawings of five classes of objects.
Research findings: neural network models were tested on a test sample and demonstrated sufficient accuracy of predictions. A comparative analysis of the loss functions revealed the advantages and disadvantages of each model. The results obtained substantiate the prospects of using deep learning to automate the analysis of graphic materials in psychological research.
Предмет исследования: сравнительная эффективность в задачах детекции графических объектов трёх архитектур: YOLOv8, Faster R-CNN и его усовершенствованной версии, модернизированной за счёт добавления механизма внимания (Squeeze-and-Excitation module), в задачах детекции и классификации рукописных графических объектов.
Цель исследования: проведение сравнительной оценки метрик точности моделей YOLOv8, Faster R-CNN и его усовершенствованной версии для решения задачи детекции и классификации рукописных объектов на изображении.
Методы исследования: предварительная обработка данных, разметка изображений с инструментом Label Studio, обучение и тестирование моделей с различными гиперпараметрами, функциями активации и оптимизаторами.
Объект исследования: специально созданный датасет, содержащий изображения рукописных рисунков пяти классов объектов.
Основные результаты исследования: нейросетевые модели прошли тестирование на тестовой выборке и продемонстрировали достаточную точность предсказаний. Сравнительный анализ функций потерь выявил преимущества и недостатки каждой модели. Полученные результаты обосновывают перспективность применения глубокого обучения для автоматизации анализа графических материалов в психологических исследованиях.