Інтелектуальна система обробки гіперспектральних зображень з використанням покращеного механізму злиття ознак та блоків самоуваги

Скорочена інформація про документ
dc.contributor.advisorСинєглазов, Віктор Михайлович
dc.contributor.authorКатькало, Денис Русланович
dc.date.accessioned2026-02-11T14:16:39Z
dc.date.available2026-02-11T14:16:39Z
dc.date.issued2025
dc.description.abstractМагістерська дисертація: 206 с., 5 рис., 17 табл., 79 посилань, додаток. Об’єкт дослідження – процес класифікації гіперспектральних зображень методами глибинного навчання. Предмет дослідження – методи відбору інформативних спектральних каналів, міжпотокового злиття ознак та адаптивного інференсу в двопотокових нейронних архітектурах. Мета роботи – підвищення точності та практичної придатності класифікації гіперспектральних зображень шляхом модифікації архітектури DSSFN на основі відбору каналів E-FDPC, введення проміжної перехресної уваги та використання адаптивного інференсу. Методи дослідження: аналіз наукових джерел; методи глибокого навчання (згорткові нейронні мережі); кластеризація (E-FDPC) для зменшення розмірності даних; механізми самоуваги та перехресної уваги; адаптивні обчислення (Adaptive Computation Time) для динамічного керування глибиною мережі; багатокритеріальна оптимізація (NSGA-II). Результати роботи. Розроблено архітектуру Adaptive DSSFN. Інтегровано метод E-FDPC для автоматичного відбору каналів та модуль двонаправленої перехресної уваги (BCA) для покращення взаємодії потоків. Реалізовано механізм ACT для динамічного керування глибиною мережі. Експериментально досягнуто приріст точності (OA) на 17,6% в умовах дефіциту даних (Indian Pines, 5% навчання) та зниження обчислювальної складності (FLOPs) у 2,9 рази на простих сценах (Pavia University). Розроблено стартап-проєкт «SpectraSense» для систем БПЛА.
dc.description.abstractotherMaster's thesis: 206 p., 5 figures, 17 tables, 79 references, appendix. The object of the study is the process of hyperspectral image classification using deep learning methods. The subject of research is the methods of informative spectral band selection, inter-stream feature fusion, and adaptive inference in dual-stream neural architectures. The purpose of the work is to increase the accuracy and practical applicability of hyperspectral image classification by modifying the DSSFN architecture based on E-FDPC band selection, introducing intermediate cross-attention, and using adaptive inference. Research methods: analysis of scientific sources; deep learning methods (convolutional neural networks); clustering (E-FDPC) for data dimensionality reduction; self-attention and cross-attention mechanisms; adaptive computation (Adaptive Computation Time) for dynamic network depth control; multi-objective optimization (NSGA-II). Results. The Adaptive DSSFN architecture was developed. The E-FDPC method for automatic band selection and a Bidirectional Cross-Attention (BCA) module for improving stream interaction were integrated. The ACT mechanism for dynamic network depth control was implemented. An increase in Overall Accuracy (OA) by 17.6% was experimentally achieved under data scarcity conditions, as well as a 2.9-fold reduction in computational complexity (FLOPs) on simple scenes. The "SpectraSense" startup project for UAV systems was developed.
dc.format.extent206 с.
dc.identifier.citationКатькало, Д, Р. Інтелектуальна система обробки гіперспектральних зображень з використанням покращеного механізму злиття ознак та блоків самоуваги : магістерська дис. : 122 Комп'ютерні науки / Катькало Денис Русланович. – Київ, 2025. – 206 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78767
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectгіперспектральні зображення
dc.subjectглибоке навчання
dc.subjectкласифікація
dc.subjectdssfn
dc.subjectвідбір каналів
dc.subjecte-fdpc
dc.subjectмеханізм уваги
dc.subjectадаптивний інференс
dc.subjectact
dc.subject.udc004.932:004.032.26
dc.titleІнтелектуальна система обробки гіперспектральних зображень з використанням покращеного механізму злиття ознак та блоків самоуваги
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Katkalo_magistr.pdf
Розмір:
4.82 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ШІ)
Магістерські роботи