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

Результати пошуку

Зараз показуємо 1 - 10 з 10

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.
Інтелектуальна система розпізнавання номерів автотранспортних засобів
(International Science Group (isg-konf.com), 2021) Подорожняк, Андрій Олексійович; Любченко, Наталія Юріївна; Оніщенко, Даніїл Павлович
Використання технологій глибокого навчання для розпізнавання молодих самосівів
(ФОП Петров В. В., 2021) Оніщенко, Даніїл Павлович; Любченко, Наталія Юріївна; Подорожняк, Андрій Олексійович
Дослідження алгоритмів фільтрації спаму та виявлення спамерів у соціальних мережах
(2022) Олійник, В. М.; Подорожняк, Андрій Олексійович; Любченко, Наталія Юріївна
Використання штучних нейронних мереж для виявлення змін стану рослинності
(Петров В. В., 2022) Любченко, Наталія Юріївна; Оніщенко, Даніїл Павлович; Подорожняк, Андрій Олексійович
Usage of intelligent methods for multispectral data processing in the field of environmental monitoring
(Національний технічний університет "Харківський політехнічний інститут", 2021) Podorozhniak, Andrii; Liubchenko, Nataliia; Kvochka, Mykyta; Suarez, Ivan
The subject of study in the article is artificial intelligence methods that can be used for recognition of specific areas of the earth's surface in multispectral images provided by Earth remote sensing systems (ERS). The goal is to automate data analysis for recognizing areas affected by fire on multispectral remote sensing images. The task is to study and formulate a method for processing multispectral data, which makes it possible to automate the process of operational recognition of areas of burned-out areas in images, for the development of an eco-monitoring software system using artificial intelligence tools such as deep learning and neural networks. As a result of the analysis of modern methods of processing multispectral data, an investigation of the supervised learning strategy was chosen. The choice of the described method for solving an applied problem is based on the high flexibility of these method, as well as, provided that there is a sufficient amount of used training input data and correct training strategies, the possibility of analyzing heterogeneous multispectral data with ensuring high accuracy of results for each individual sample. Conclusions: the application of methodologies for intelligent processing of multispectral images has been investigated and substantiated. The theoretical foundations of the construction of neural networks are considered, the applied area of application is selected. An architectural model of a software product is analyzed and proposed, taking into account its scalability, the model of software system is developed and the results of its work are shown. The obtained results show the efficiency of proposed system and prospects of the proposed algorithms, which is a reason for further research and improvement of the used algorithms, with their possible use in industrial and enterprise eco-monitoring systems.
Методичні вказівки до самостійної роботи студентів з навчальної дисципліни "Програмування мікропроцесорів"
(2021) Подорожняк, Андрій Олексійович; Любченко, Наталія Юріївна
Самостійна робота студентів (СРС) – навчальна та навчально-дослідницька робота студентів, яка виконується у позаудиторний (аудиторний) час за завданням і при методичному керівництві викладача, але без його особистої участі. СРС не тільки сприяє ефективному засвоєнню навчальної інформації, способів здійснення пізнавальної або професійної діяльності, але й вихованню у студентів таких якостей, як відповідальність, ініціативність та працьовитість. Метою викладання дисципліни "Програмування мікропроцесорів" є ознайомлення студентів з принципами побудови мікропроцесорів (МП) та мікропроцесорних систем (МПС); вивчення структур і режимів функціонування мікропроцесорних засобів, програмування МП та пристроїв з їх оточення; вивчення основних режимів роботи МП і методів сегментної та сторінкової організації пам’яті; вивчення основних вузлів МП; вивчення сигналів системної шини МП і режимів передачі даних по системній шині; набуття практичних навичок побудови МПС та програмування роботи МП у заданому режимі. За результатами навчання студенти повинні знати і розуміти наукові й математичні положення, що лежать в основі функціонування комп’ютерних засобів, систем та мереж, а також уміти: – застосовувати знання технічних характеристик, конструктивних особливостей, призначення і правил експлуатації програмно-технічних засобів комп’ютерних систем та мереж для вирішення технічних задач спеціальності; – розробляти програмне забезпечення для вбудованих і розподілених застосувань, мобільних і гібридних систем; розраховувати та експлуатувати типове для спеціальності обладнання; – здійснювати пошук інформації в різних джерелах для розв’язання задач комп’ютерної інженерії; – оцінювати отримані результати та аргументовано захищати прийняті рішення.
Дослідження методу комплексного розпізнавання спаму у соціальних мережах
(Національний технічний університет "Харківський політехнічний інститут", 2020) Олійник, В. М.; Любченко, Наталія Юріївна; Подорожняк, Андрій Олексійович
Методи виявлення спаму у соціальних мережах
(ФОП Петров В. В., 2020) Любченко, Наталія Юріївна; Подорожняк, Андрій Олексійович; Олійник, В. М.
Автоматизована система розпізнавання автономерів
(ФОП Петров В. В., 2021) Любченко, Наталія Юріївна; Оніщенко, Даніїл Павлович; Подорожняк, Андрій Олексійович