Приходько, Ірина ОлександрівнаКлюско, Володимир Юрійович2025-01-272025-01-272024Клюско, В. Ю. Розпізнавання місцезнаходження ворожих цілей на знімках з використанням засобів штучного інтелекту : магістерська дис. : 172 Електронні комунікації та радіотехніка / Клюско Володимир Юрійович. – Київ, 2024. – 135 c.https://ela.kpi.ua/handle/123456789/72202Текстова 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.135 c.ukрозпізнаваннягеолокаціягеопросторова розвідкакласифікаціязгорткова нейронна мережанабір данихVision Transformerrecognitiongeolocationgeospatial intelligenceclassificationconvolutional neural networkdatasetMaster Thesis004.932