Кафедра штучного інтелекту (ШІ)

Постійне посилання на фонд

https://ela.kpi.ua/handle/123456789/52504

Переглянути

Перегляд Кафедра штучного інтелекту (ШІ) за Ключові слова "004.8.032.26:004.932](043.3)"

Зараз показуємо 1 - 3 з 3
  • Ескіз
    ДокументВідкритий доступ
    Побудова деталізованих 3D карт на основі моделей YOLO
    (КПІ ім. Ігоря Сікорського, 2025) Мірошниченко, Михайло Андрійович; Данилов, Володимир Яковлевич
    Магістерська дисертація: 131 ст., 4 рис., 26 табл., 21 посилань, додаток. Об’єкт дослідження – система побудови тривимірних карт на основі RGB-D даних у динамічних середовищах. Предмет дослідження – методи комп’ютерного зору та глибинного навчання, що інтегруються у SLAM-пайплайн для підвищення робастності до рухомих об’єктів. Метою роботи є розробка та аналіз нейромережевої системи Visual SLAM, яка забезпечує точне тривимірне картування в присутності динамічних об’єктів завдяки використанню YOLOv8, ByteTrack та TSDF-ф’южну. Розглянуто сучасні підходи до SLAM у динамічних середовищах, проаналізовано переваги та обмеження методів семантичного маскування та геометричної фільтрації. Описано архітектуру запропонованої системи, що поєднує детекцію об’єктів YOLOv8, трекінг ByteTrack, маскування динамічних областей та щільне картування на основі TSDF. Реалізовано програмний прототип, проведено експерименти на статичних та динамічних наборах даних, зокрема на послідовностях TUM RGB-D. Виконано порівняльний аналіз точності траєкторії (ATE RMSE) та візуальної якості карти у порівнянні з базовими SLAM-системами без семантичної фільтрації. Результатом дослідження є побудова та програмна реалізація нейромережевої системи Visual SLAM для динамічних середовищ; експериментальне підтвердження зменшення впливу рухомих об’єктів на якість тривимірної карти та траєкторії камери; отримання високоточних результатів на статичних послідовностях (ATE RMSE ≈ 0.0229 м) та покращення стійкості SLAM у динамічних сценах; формування рекомендацій щодо інтеграції детекторів об’єктів і трекерів у SLAM-пайплайни реального часу.
  • Ескіз
    ДокументВідкритий доступ
    Синтез та архітектурна адаптація дифузійних конвеєрів для аудіо-керованої анімації портретів
    (КПІ ім. Ігоря Сікорського, 2025) Мазур, Маркіян-Юліан Мирославович; Шаповал, Наталія Віталіївна
    Магістерська дисертація: 111 сторінок, 22 рисунки, 23 таблиці, 34 джерела. Актуальність теми. Розвиток цифрових індустрій потребує фотореалістичних аватарів. Існуючі методи синтезу мовлення (наприклад, Wav2Lip або NeRF) мають суттєві недоліки: низька якість, ефект «зловісної долини» або надмірні вимоги до обчислювальних ресурсів. Актуальним є створення енергоефективної системи високоякісного ліпсінку, що працює в реальному часі. Зв’язок роботи з науковими програмами. Робота виконана згідно з планом науково-дослідних робіт кафедри за напрямком розвитку систем штучного інтелекту. Мета дослідження – підвищення якості та стабільності візуального мовлення шляхом розробки каскадної нейромережевої системи з використанням механізму RAG. Об’єкт дослідження – процес автоматичної генерації відеопослідовності мовлення за вхідним аудіосигналом. Предмет дослідження – методи глибокого навчання для синтезу 3D-геометрії та нейронного рендерингу з використанням Retrieval-Augmented Generation. Методи дослідження: цифрова обробка сигналів (HuBERT); комп’ютерний зір (MediaPipe); глибоке навчання (LSTM, GAN); векторний пошук (FAISS). Наукова новизна: 1. Вперше застосовано RAG для передбачення 3D-лендмарків, що усунуло ефект часового тремтіння. 2. Удосконалено метод мультимодальної фузії через механізм Cross-Attention. 3. Набув подальшого розвитку метод нейронного рендерингу, оптимізований для мобільних GPU. Практичне значення. Створено ПЗ «RuzamSync», що генерує ліпсінк (LSE-D 5.50) на RTX 3050 Ti зі швидкістю 17 FPS. Розроблено стартап-проєкт. Апробація та публікації. Основні положення доповідалися на конференції, опубліковано 1 статтю.
  • Ескіз
    ДокументВідкритий доступ
    Структурно-параметричний синтез капсульних нейронних мереж для розв’язання задачі обробки зображень
    (КПІ ім. Ігоря Сікорського, 2024) Кудрєв, Денис Олексійович; Синєглазов, Віктор Михайлович
    Магістерська дисертація: 126 c., 14 табл., 34 рис., 18 посилань, додаток. Цю роботу присвячено структурно-параметричному синтезу капсульних нейронних мереж. Задача структурно-параметричного синтезу полягає у знаходженні оптимальної структури та параметрів алгоритму штучного інтелекту для вирішення поставленої задачі. Виконано дослідження сучасних методів та реалізацій капсульних нейронних мереж, проаналізовано їх переваги та недоліки, обрано найкращі підходи для вирішення задачі. У цій роботі розроблено методологію структурно-параметрично синтезу капсульних нейронних мереж, основою якого є гібридний алгоритм. Гібридний алгоритм складається з генетичного алгоритму та градієнтного алгоритму (Adam). У результаті використання гібридного алгоритму знайдено оптимальну топологію та параметри капсульної нейронної мережі для вирішення задачі класифікації. Результати роботи прийнято до опублікування у фаховому періодичному виданні категорії Б.