Радіотехнічний факультет (РТФ)
Постійне посилання на фонд
Переглянути
Перегляд Радіотехнічний факультет (РТФ) за Ключові слова "004.932"
Зараз показуємо 1 - 2 з 2
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Алгоритм виявлення та оцінювання параметрів руху маневруючого точкового об’єкту за даними системи відеоспостереження(КПІ ім. Ігоря Сікорського, 2020) Маленчик, Тарас Володимирович; Неуймін, Олександр СтаніславовичМагістерська дисертація 81с., 32 рис., 14 табл., 26 джерел. Об’єкт дослідження – виявлення та оцінювання параметрів руху маневруючого точкового об’єкту за даними системи відеоспостереження. Предмет дослідження – синтез алгоритму виявлення та супроводження маневруючих точкових об'єктів за даними системи відеоспостереження. Мета роботи – підвищення ефективності виявлення та супроводження точкових об’єктів системою відеоспостереження шляхом синтезу алгоритму виявлення та супроводження маневруючих точкових об'єктів на послідовності відеозображень. Методи дослідження. У роботі використовувалися: апарат теорії ймовірностей, математичної статистики, методи статистичного (імітаційного) моделювання на ЕОМ і теорія цифрового оброблення зображень. Синтезовано алгоритм виявлення та супроводження маневруючої точкової цілі з використанням методів IPI та квазіоптимальних фільтрів з зворотніми зв’язками. Результати дисертації рекомендуються для використання в установах, які займаються створенням і покращенням систем оптичного виявлення БПЛА для підвищення ефективності виявлення і супроводження цілей, що не потребують значних обчислювальних затрат. Дана робота має важливе значення для підвищення обороноздатності країни. Передбачається що за допомогою синтезованих алгоритмів будуть створені системи для раннього виявлення об’єктів, забезпечення безпеки аеропортів та інших важливих промислових, військових та цивільних об’єктів. Результати досліджень окремих алгоритмів з дисертації були опубліковані на ІХ міжнародній науково-технічній конференції "Радіотехнічні поля, сигнали, апарати та системи" 2020.Документ Відкритий доступ Розпізнавання місцезнаходження ворожих цілей на знімках з використанням засобів штучного інтелекту(КПІ ім. Ігоря Сікорського, 2024) Клюско, Володимир Юрійович; Приходько, Ірина ОлександрівнаТекстова частина дисертації роботи містить: 96 сторінок, 51 рисунок, 26 посилань. Мета і завдання дисертації: розробка та впровадження методів автоматизованого розпізнавання місцезнаходження ворожих цілей на знімках із використанням комбінованих засобів штучного інтелекту для підвищення точності, швидкості та ефективності виявлення об'єктів на зображеннях у реальному часі. Для досягнення вказаної мети потрібно вирішити такі завдання: Дослідити сучасні методи розпізнавання об’єктів на зображеннях без використання штучного інтелекту; Проаналізувати ефективність існуючих алгоритмів штучного інтелекту для завдань виявлення ворожих цілей на знімках; Розробити метод автоматизованого збору, анотації та попередньої обробки зображень для навчання нейронної мережі з урахуванням специфіки військових цілей; Обрати та оптимізувати набір даних для навчання, валідації та тестування моделі; Реалізувати та протестувати моделі сегментації, класифікації та розпізнавання місцезнаходження з використанням комбінованих архітектур; Провести оптимізацію моделей для роботи в реальному часі; Провести оцінку точності та надійності роботи запропонованої моделі в різних умовах, включаючи зміни освітлення, зашумленість знімків та інші фактори. Об’єкт дослідження - процеси розпізнавання та геолокації ворожих цілей на зображеннях з використанням комбінованих архітектур згорткових нейронних мереж. 5 Предмет дослідження - методи побудови, оптимізації та інтеграції комбінованого способу розпізнавання ворожих цілей на зображеннях з високою точністю та швидкістю. Методи дослідження роботи: методичною основою дослідження є системне опрацювання та аналіз теоретичних і практичних підходів до розпізнавання об'єктів на зображеннях з використанням згорткових нейронних мереж та інших засобів штучного інтелекту. В процесі навчання моделей було проведено аналіз їх продуктивності та точності для оптимізації параметрів нейронної мережі з метою підвищення точності розпізнавання та інтеграції в єдину програмну структуру. Застосовано наступні методи: метод переднавчання для прискорення навчання моделі на нових наборах даних шляхом використання попередньо навчених моделей; метрики оцінки продуктивності моделі такі як точність (accuracy), повнота (recall), та точність передбачення (precision) для виявлення ефективності розпізнавання цілей; валідація та тестування даних з розбиттям їх на навчальний, валідаційний та тренувальний набори даних для забезпечення достовірності результатів; аугментація даних для збільшення кількості тренувальних зображень шляхом створення варіацій з існуючих даних.