Магістерські роботи (ММАД)
Постійне посилання зібрання
У зібранні розміщено магістерські дисертації на здобуття ступеня магістра.
Переглянути
Перегляд Магістерські роботи (ММАД) за Ключові слова "004.93"
Зараз показуємо 1 - 8 з 8
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Аналіз якості моделей глибокого навчання в системах рекомендацій(КПІ ім. Ігоря Сікорського, 2022) Малиняк, Володимир Володимирович; Шелестов, Андрій ЮрійовичДана робота мiстить 128 сторiнок, 34 iлюстрацiй, 10 таблиць, 22 джерел за перелiком посилань. Як i багато iнших напрямкiв iнформацiйних технологiй, рекомендацiйнi системи стрiмко розвиваються i активно дослiджуються iз року в рiк. Це призводить до появи багатьох методiв i алгоритмiв побудови рекомендацiй. Внаслiдок чого постало критичне питання у вiдсутностi єдиного пiдходу до оцiнки їх ефективностi, що призводить до нерепродуктивних та несправедливих результатiв їх порiвняння. У данiй роботi дослiджено метрики якостi в задачах побудови рекомендацiй, класифiковано i проаналiзовно фактори впливу на ефективнiсть систем рекомендацiй. На основi алгоритмiв нейромережевої колаборативної фiльтрацiї, варiацiйного автоенкодера у задачах колаборативної фiльтрацiї i графової нейронної мережi колаборативної фiльтрацiї проведено експериментальне порiвняння якостi рекомендацiй використовуючи вiдкритi набори даних MovieLens, LastFM, NetflixPrize. Сформована стратегiя пришвидшує вiдбiр оптимальних моделей i їх якiсне порiвняння.Документ Відкритий доступ Генерування тренувальних даних за допомогою технологiї NeRF для задач стереозору(КПІ ім. Ігоря Сікорського, 2022) Колодяжна, Олена Олександрiвна; Куссуль, Наталія МиколаївнаКвалiфiкацiйна робота мiстить 75 сторiнок, 45 iлюстрацiй, 4 таблицi, 57 джерел лiтератури. Задача тривимiрної реконструкцiї сцени є однiєю з центральних в областях комп’ютерного зору та комп’ютерної графiки та має багато застосувань. У останнi роки було розроблено чимало рiзних методiв вирiшення даної проблеми, серед яких є використання глибоких нейронних мереж. Складнiсть даної задачi полягає в потребi в одночаснiй узгодженостi локальних деталей та глобальних структур, в великих обчисленнях, а також в обсягах даних. Остання проблема вiдiграє важливу роль при навчаннi глибоких нейромереж. Дана магiстерська дисертацiя дослiджує можливостi генерування навчальних даних за допомогою Neural Radiance Fields для задач стереозору. Метою роботи, окрiм генерування даних, є аналiз їх ефективностi у застосуваннi для навчання глибоких нейронних мереж для оцiнки карт глибин зi стереозображень. У результатi було запропоновано певнi модифiкацiї моделi BARF, якi дають змогу покращити результат синтезу даних, порiвняно з оригiнальною моделлю, а також запропоновано змiнений ланцюжок стандартної пiдготовки даних та тренування стереонейромереж, який потенцiйно може дозволити замiнити навчання без учителя навчанням з учителем.Документ Відкритий доступ Математичнi методи корекцiї та оптимiзацiї вiзуального SLAM для автономної навiгацiї у динамiчних середовищах(КПІ ім. Ігоря Сікорського, 2025) Шевченко, Юлiя Олексiївна; Яйлимова, Ганна ОлексіївнаКвалiфiкацiйна робота мiстить: 138 стор., 3 рисунки, 3 таблицi, 61 джерело. У роботi розглядається задача пiдвищення точностi та адаптивностi алгоритмiв вiзуального SLAM (Simultaneous Localization and Mapping) для автономної навiгацiї мобiльних роботiв у динамiчних середовищах без використання дорогих сенсорiв, таких як LiDAR. Важливiсть дослiдження полягає в необхiдностi використання недорогих та надiйних автономних засобiв в нестабiльному середовищi, такому як пiд час руйнувань або в умовах обмеженої доступностi людських ресурсiв. У межах роботи реалiзовано апаратну платформу на базi Raspberry Pi з модулем камери та сервоприводами. Проведено аналiз i тестування низки математичних методiв: виявлення аномалiй з використанням PCA та автоенкодерiв, генерацiя та оновлення карти у Баєсовiй матрицi зайнятостi, шумостiйкiсть з використанням DWT та фiльтрiв Калмана i Вiнера, оптимiзацiя обчислень через графовi структури й KD-дерева тощо. Побудовано набiр вiзуальних даних, адаптований до умов реального середовища, розроблено програмну структуру для комбiнування модульних методiв i проведено експерименти з рiзними конфiгурацiями. Робота має практичну цiннiсть для створення систем автономної розвiдки, навiгацiї в руйнованих спорудах та iнспекцiї небезпечних об’єктiв.Документ Відкритий доступ Математичні моделі змагальних атак на системи розпізнавання образів(КПІ ім. Ігоря Сікорського, 2022) Омельченко, Богдан Романович; Куссуль, Наталія МиколаївнаРобота складається з 3 розділів, містить 47 ілюстрацій, 1 таблиця, 32 літературних посилання, обсяг роботи - 102 сторінки. Завданням роботи є огляд різних змагальних атак на системи розпізнавання образів, вибір алгоритмів нейронних мереж для класифікації зображень, їх детальний опис та програмна реалізація на вибраних базах даних. Мета цієї дипломної роботи полягає у досліджені і реалізації змагальних атак на системи розпізнавання образів та огляд отриманих результатів. Об’єктом дослідження є процес реалізації змагальних атак на моделі розпізнавання образів. Предметом дослідження є алгоритми змагальних атак та моделей розпізнавання. Актуальність роботи зумовлюється тим, що на сьогоднішній день питання якісного розпізнавання образів є актуальним, як і побудова захисту таких систем. Методами дослідження дипломної роботи складають методи системного, порівняльного і статистичного аналізу, логіко-діалектичний метод пізнання, синтетичних та експертних оцінок, метод логічного узагальнення та синтезу. Вони базуються на використанні методів статистичного якісного і кількісного порівняння, наукової абстракції, факторного та структурного аналізу. Використано широке коло зарубіжних та вітчизняних літературних та електронних джерел. Наукова новизна одержаних результатів дослідження полягає в тому, що на підставі проведеного теоретико - методологічного аналізу побудовано модель змагальних атак на системи розпізнавання образів та показано їх вразливості, що можна використати для покращення систем захисту. Практичне застосування полягає в тому, що результати роботи можуть бути використані для побудови захищених моделей розпізнавання образів в різних установах.Документ Відкритий доступ Метод оцінювання індикаторів цілі сталого розвитку 15.3.1 на основі супутникових даних для території України(КПІ ім. Ігоря Сікорського, 2022) Дякун, Олексій Олегович; Шелестов, Андрій ЮрійовичДипломна робота містить: 59 сторінок, 50 рисунків, 1 таблицю, 36 посилань на літературні джерела. Актуальність дослідження: дослідження сучасних методів, моделей та технологій класифікації земного покриву та оцінювання індикаторів цілей сталого розвитку 15.3.1. Наразі ця область активно розвивається по всьому світу і, зокрема, в Україні, під егідою ООН, комітетом GEO тощо. Саме тому тема магістерської дисертації є актуальною. Зв’язок дослідження з науковими програмами, планами, темами: Роботу виконано в межах проекту e-Shape програми HORIZON 2020 та програми ЦСР (Цілі сталого розвитку), яка була прийнята Генеральною асамблеєю ООН у 2015. Об'єкт дослідження: методи підрахунку ЦСР 15.3.1. Мета і задачі дослідження: у цій роботі описані існуючі методи розрахунку субіндикаторів для індикатора ЦСР 15.3.1. Розраховується зміна земного покриву за даними відділу космічних інформаційних ІКД НАНУ-ДКАУ та порівнюється з раніше порахованими і перевіреними UNCCD результатами. Дослідження методів покращення результатів. Методи дослідження: методи системного аналізу, інтелектуальні методи обчислень, методи обробки геопросторової інформації, метрики оцінки якості моделей. Наукова новизна одержаних результатів: серед глобальних даних ЦСР 15.3.1 матеріали щодо України відсутні. Існують інші роботи, які спеціалізовані на посухах на півдні України та вирубки лісів у Карпатах. Даний індикатор дозволяє побачити значно більше деградаційних процесів та змін, які ватро взяти до уваги та дослідити. Однією з особливостей те, що у якості вхідних даних використовуються карти класифікації, надані відділом космічних інформаційних ІКД НАНУ-ДКАУ. Практичне значення одержаних результатів: надання інформації про території, які потребують заходів для покращення стану та зупинки процесів деградації.Документ Відкритий доступ Методи глибоко навчання та стереозору для детектування БПЛА(КПІ ім. Ігоря Сікорського, 2025) Колесник, Андрій Миколайович; Шелестов, Андрій ЮрійовичМагістерська дисертація містить 97 сторінки, 6 рисунків, 1 таблицю, 1 додаткок, 71 джерела. Зв’язок роботи з науковими програмами, планами, темами. Дисертацію виконано відповідно до плану науково-дослідних робіт кафедри математичного моделювання та аналізу даних Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського». Мета і задачі дослідження. Метою роботи є створення апаратнопрограмної системи для автоматичного виявлення БПЛА та визначення їхнього положення в просторі шляхом інтеграції алгоритмів об’єктної детекції та методів стереозору. Для досягнення мети було поставлено такі завдання: - провести огляд існуючих методів детекції дронів; - сформувати датасет, придатний для навчання детектора; - реалізувати модуль глибокої детекції на основі YOLOv8; - розробити стереосистему для оцінки глибини; - провести тестування системи на синтетичних і реальних даних; - оцінити ефективність роботи системи порівняно з існуючими відкритими реалізаціями; - апробувати систему на конференціях. Об’єкт дослідження – процес виявлення безпілотних літальних апаратів у повітряному просторі. Предмет дослідження – методи поєднання глибокого навчання та стереозору для детектування БПЛА та визначення їхнього просторового положення. Методи дослідження. В роботі застосовано методи машинного навчання, згорткові нейронні мережі (YOLOv8), геометричні методи триангуляції для розрахунку глибини, обробку зображень, а також експериментальні методи оцінки якості моделі. Наукова новизна одержаних результатів. Вперше реалізовано інтегровану систему, що поєднує глибоку нейронну детекцію з класичним стереозоровим вимірюванням для тривимірної локалізації дронів. Запропонований підхід забезпечує точне позиціонування цілі в просторі на основі лише пасивного відеопотоку без використання активних сенсорів. Практичне значення одержаних результатів. Розроблена система може бути впроваджена в охоронних, військових або промислових рішеннях для моніторингу повітряного простору. Попереднє тестування на полігоні засвідчило її ефективність при відстанях до 100 метрів. Програма реалізована на Python, придатна для запуску на стандартному комп’ютері з GPU. Апробація результатів. Результати дослідження були апробовані у вигляді наукової доповіді на XXIII Всеукраїнській науково-практичній конференції студентів, аспірантів та молодих вчених. Публікації. Опубліковано 1 наукову статтю в матеріалах конференції. У процесі підготовки – стаття у фаховому науковому журналі.Документ Відкритий доступ Нейромережева модель розпізнавання вирв від бомбардування за супутниковими даними(КПІ ім. Ігоря Сікорського, 2022) Поприго, Ярослав Леонідович; Куссуль, Наталія МиколаївнаМагістерська дисертація містить 109 сторінок, 20 ілюстрацію, і 181 джерел літератури. Наразі задача розпізнавання вирв від бомбардувань стає все гострішою. Після повномасштабної військової агресії російської федерації, чимало фондів намагаються оцінити збитки, які були нанесені об’єктам інфраструктури, цивільним будівлям, тощо. Нейромережева модель розпізнавання вирв від бомбардувань за супутниковими даними дасть змогу комплексно та всеціло оцінити масштаб руйнувань, який в подальшому може бути використаний для підрахунку збитків. Для досягнення мети було використано: нейромережеву модель U-Net ; Google Collaboratory; бібліотеки pytorch, torchvision, matplotlib, Pillow, imutils, scikit-learn, tqdm, gdal, numpy.Документ Відкритий доступ Нейромережеві моделі в системах збору статистики в спортивних змаганнях(КПІ ім. Ігоря Сікорського, 2022-12) Буханевич, Родіон Михайлович; Шелестов, Андрій ЮрійовичДипломна робота: 89 с., 43 рис., 5 табл., 28 джерел, 1 додаток. Мета роботи – аналіз та порівняння моделей глибинного навчання для обробки спортивного матчу. В роботі наведено огляд та порівняльний аналіз моделей детекції, класифікації, трекінгу об’єктів з багатьох камер. Досліджено та побудовано моделі глибинного навчання, що використовуються для класифікації рухів на відео, описано критерії якості роботи цих моделей. Розроблено програмний продукт на мові програмування Python 3.8. у середовищі Visual Code, що дозволяє одночасно опрацьовувати моделі глибинного навчання на відео з багатьох камер.