Global ETD Search

1	Framtidens teknikstack för webbapplikationer / The tech stack of the future for web applications Björklund, Petter, Eklöf, Axel, Johansen, Martin, Lundberg, Hannes, Lundberg, Lukas, Nygren, Malte, Ringfjord, Jacob, Vikström, Emil January 2024 (has links) Denna rapport beskriver ett kandidatarbete utfört av åtta studenter vid Linköpings universitet på uppdrag av Personalkollen AB. Projektet, med titeln ``Framtidens teknikstack för webbapplikationer'', genomfördes av arbetsgruppen Stack Underflow. Studien jämför två egenskapade webbapplikationer med olika renderingstekniker genom prestandatester såsom blockeringstid och hastighetsindex. Det klientrenderade systemet utvecklades med hjälp av biblioteket React, medan det serverrenderade systemet utvecklades i ramverket Next.js. För att utföra jämförelsen användes Google Lighthouse, ett verktyg för att systematiskt testa webbsidor. Prestandatesterna visade att det serverrenderade systemet överträffade det klientrenderade systemet vid större sidstorlekar, främst vad gäller blockeringstid. Resultaten syftar till att ge insikter till kunden om olika teknikstackars fördelar och nackdelar. Rapporten dokumenterar även de gemensamma och individuella erfarenheter som erhölls under projektets gång, specifikt vad gäller utvecklingen av de två systemen som jämförs. Next React FastAPI TDDD96 Kandidatrapport Klient Server Rendering Klientrendering Serverrendering Teknikstack Webbapplikation Software Engineering Programvaruteknik
2	Разработка системы компьютерного зрения для определения вида фракции щебня : магистерская диссертация / Development of a computer vision system for determining the type of crushed stone fraction Ахметов, В. М., Akhmetov, V. M. January 2024 (has links) Основная цель выпускной квалификационной работы состоит в разработке системы компьютерного зрения для определения вида фракции щебня. А также определении наиболее эффективного метода для определения фракции щебня, сравнивая задачи компьютерного зрения: обнаружение объектов и классификация. Первая часть исследования посвящена анализу существующий методов и алгоритмов классификации изображений на основе нейронных сетей. Были проанализированы модели, предназначенные для обнаружения объектов и классификации. Для задачи классификации изображений сравнение выполнялось для моделей: Resnet, Efficientnet, Deit, Tinyvit. Для задачи обнаружения объектов: Yolo, Faster R-CNN и SSD. Во второй части исследования была обучена модель обнаружения объектов и обучены модели классификации. После произведено сравнение производительности данных моделей для решаемой задачи – определения фракции щебня. Третья часть выпускной квалификационной работы направлена на разработку системы компьютерного зрения для определения фракции щебня. Для работоспособности системы было развернуто два Docker-контейнера и сервер Uvicorn с работающим приложением FastAPI. / The main objective of the final qualification work is to develop a computer vision system for determining the type of crushed stone fraction. As well as determining the most effective method for determining the crushed stone fraction, comparing the tasks of computer vision: object detection and classification. The first part of the study is devoted to the analysis of existing methods and algorithms for image classification based on neural networks. Models designed for object detection and classification were analyzed. For the task of image classification, the comparison was performed for the following models: Resnet, Efficientnet, Deit, Tinyvit. For the task of object detection: Yolo, Faster R-CNN and SSD. In the second part of the study, an object detection model was trained and classification models were trained. After that, a comparison of the performance of these models for the problem being solved - determining the crushed stone fraction was made. The third part of the final qualification work is aimed at developing a computer vision system for determining the crushed stone fraction. For the system to work, two Docker containers and a Uvicorn server with a running FastAPI application were deployed. MASTER'S THESIS CRUSHED STONE FRACTION COMPUTER VISION NEURAL NETWORKS OBJECT DETECTION CLASSIFICATION YOLO DATA MARKUP DOCKER FASTAPI ФРАКЦИЯ ЩЕБНЯ КОМПЬЮТЕРНОЕ ЗРЕНИЕ НЕЙРОННЫЕ СЕТИ ОБНАРУЖЕНИЕ ОБЪЕКТОВ КЛАССИФИКАЦИЯ YOLO РАЗМЕТКА ДАННЫХ DOCKER FASTAPI
3	Surmize: An Online NLP System for Close-Domain Question-Answering and Summarization Bergkvist, Alexander, Hedberg, Nils, Rollino, Sebastian, Sagen, Markus January 2020 (has links) The amount of data available and consumed by people globally is growing. To reduce mental fatigue and increase the general ability to gain insight into complex texts or documents, we have developed an application to aid in this task. The application allows users to upload documents and ask domain-specific questions about them using our web application. A summarized version of each document is presented to the user, which could further facilitate their understanding of the document and guide them towards what types of questions could be relevant to ask. Our application allows users flexibility with the types of documents that can be processed, it is publicly available, stores no user data, and uses state-of-the-art models for its summaries and answers. The result is an application that yields near human-level intuition for answering questions in certain isolated cases, such as Wikipedia and news articles, as well as some scientific texts. The application shows a decrease in reliability and its prediction as to the complexity of the subject, the number of words in the document, and grammatical inconsistency in the questions increases. These are all aspects that can be improved further if used in production. / Mängden data som är tillgänglig och konsumeras av människor växer globalt. För att minska den mentala trötthet och öka den allmänna förmågan att få insikt i komplexa, massiva texter eller dokument, har vi utvecklat en applikation för att bistå i de uppgifterna. Applikationen tillåter användare att ladda upp dokument och fråga kontextspecifika frågor via vår webbapplikation. En sammanfattad version av varje dokument presenteras till användaren, vilket kan ytterligare förenkla förståelsen av ett dokument och vägleda dem mot vad som kan vara relevanta frågor att ställa. Vår applikation ger användare möjligheten att behandla olika typer av dokument, är tillgänglig för alla, sparar ingen personlig data, och använder de senaste modellerna inom språkbehandling för dess sammanfattningar och svar. Resultatet är en applikation som når en nära mänsklig intuition för vissa domäner och frågor, som exempelvis Wikipedia- och nyhetsartiklar, samt viss vetensaplig text. Noterade undantag för tillämpningen härrör från ämnets komplexitet, grammatiska korrekthet för frågorna och dokumentets längd. Dessa är områden som kan förbättras ytterligare om den används i produktionen. Summary Summarization Abstractive Summarization Extractive Summarization ASUS ESUS Question Answering Question-Answering QA QA Model QA System Natural Language Processing NLP Online NLP System Machine Learning ML Deep Learning DL Close-Domain Question Answering cdQA Transformer Model transformer Transformer BERT Watson Online QA Online Summary Online Summarization Spacy FastAPI Surmize Huggingface Engineering and Technology Teknik och teknologier

1

Page generated in 0.0231 seconds