Кафедра "Інформатика та інтелектуальна власність"

Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/7444

Офіційний сайт кафедри http://web.kpi.kharkov.ua/iip

Кафедра "Інформатика та інтелектуальна власність" створена 12 травня 1999 року на факультеті "Комп'ютерні та інформаційні технології".

Саме в НТУ “ХПІ” на спеціальному факультеті патентознавства Міжгалузевого інституту післядипломної освіти, у той час – підвищення кваліфікації, у 1992 році було розпочато перепідготовку спеціалістів відповідної кваліфікації, що стало початком створення національної системи підготовки кадрів для сфери інтелектуальної власності України.

Кафедра входить до складу Навчально-наукового інституту комп'ютерних наук та інформаційних технологій Національного технічного університету "Харківський політехнічний інститут".

Від 2019 року НТУ "ХПІ" та Науково-дослідний інститут інтелектуальної власності Національної академії правових наук України створтли на кафедрі "Інформатика та інтелектуальна власність" спільний Науково-освітній центр "Цифрова інтелектуальна власність".

У складі науково-педагогічного колективу кафедри працюють: 1 доктор технічних наук, 6 кандидатів технічних наук, 1 – історичних, 1 – юридичних; 1 співробітник має звання професора, 7 – доцента.

Переглянути

Фільтри

2021 - 20232

Налаштування

Автор: search.filters.author.Sobol, MaksymКлючові слова: search.filters.subject.convolutional neural network

Результати пошуку

Зараз показуємо 1 - 2 з 2
  • Ескіз
    Документ
    Usage of Mask R-CNN for automatic license plate recognition
    (Національний технічний університет "Харківський політехнічний інститут", 2023) Podorozhniak, A. O.; Liubchenko, N. Yu.; Sobol, Maksym; Onishchenko, D. P.
    The subject of study is the creation process of an artificial intelligence system for automatic license plate detection. The goal is to achieve high license plate recognition accuracy on large camera angles with character extraction. The tasks are to study existing license plate recognition technics and to create an artificial intelligence system that works on big shooting camera angles with the help of modern machine learning solution – deep learning. As part of the research, both hardware and software-based solutions were studied and developed. For testing purposes, different datasets and competing systems were used. Main research methods are experiment, literature analysis and case study for hardware systems. As a result of analysis of modern methods, Mask R-CNN algorithm was chosen due to high accuracy. Conclusions. Problem statement was declared; solution methods were listed and characterized; main algorithm was chosen and mathematical background was presented. As part of the development procedure, accurate automatic license plate system was presented and implemented in different hardware environments. Comparison of the network with existing competitive systems was made. Different object detection characteristics, such as Recall, Precision and F1-Score, were calculated. The acquired results show that developed system on Mask R-CNN algorithm process images with high accuracy on large camera shooting angles.
  • Ескіз
    Документ
    Improving a neural network model for semantic segmentation of images of monitored objects in aerial photographs
    (PC Technology Center, 2021) Slyusar, V.; Protsenko, M.; Chernukha, A.; Melkin, V.; Petrova, O.; Kravtsov, M.; Velma, S.; Kosenko, N.; Sydorenko, O.; Sobol, Maksym
    This paper considers a model of the neural network for semantically segmenting the images of monitored objects on aerial photographs. Unmanned aerial vehicles monitor objects by analyzing (processing) aerial photographs and video streams. The results of aerial photography are processed by the operator in a manual mode; however, there are objective difficulties associated with the operator's handling a large number of aerial photographs, which is why it is advisable to automate this process. Analysis of the models showed that to perform the task of semantic segmentation of images of monitored objects on aerial photographs, the U-Net model (Germany), which is a convolutional neural network, is most suitable as a basic model. This model has been improved by using a wavelet layer and the optimal values of the model training parameters: speed (step) ‒ 0.001, the number of epochs ‒ 60, the optimization algorithm ‒ Adam. The training was conducted by a set of segmented images acquired from aerial photographs (with a resolution of 6,000×4,000 pixels) by the Image Labeler software in the mathematical programming environment MATLAB R2020b (USA). As a result, a new model for semantically segmenting the images of monitored objects on aerial photographs with the proposed name U-NetWavelet was built. The effectiveness of the improved model was investigated using an example of processing 80 aerial photographs. The accuracy, sensitivity, and segmentation error were selected as the main indicators of the model's efficiency. The use of a modified wavelet layer has made it possible to adapt the size of an aerial photograph to the parameters of the input layer of the neural network, to improve the efficiency of image segmentation in aerial photographs; the application of a convolutional neural network has allowed this process to be automatic.