Кафедри
Постійне посилання на розділhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/35393
Переглянути
8 результатів
Результати пошуку
Документ Застосування багатокомпонентної моделі даних для описів класів у задачі класифікації зображень(Національний технічний університет "Харківський політехнічний інститут", 2022) Гороховатський, Володимир Олексійович; Стяглик, Наталя Іванівна; Жадан, Олексій ВіталійовичПредметом досліджень статті є методи класифікації зображень за множиною дескрипторів ключових точок у системах комп'ютерного зору. Метою є підвищення ефективності класифікації шляхом впровадження багатокомпонентної моделі даних на множині дескрипторів для бази еталонних образів. Застосовувані методи: детектор та дескриптори ORB, апарат теорії множин і векторного простору, метричні моделі визначення релевантності для множин багатовимірних векторів, елементи теорії ймовірностей, програмне моделювання. Отримані результати: розроблено модифікований метод класифікації зображень на основі впровадження багатокомпонентної моделі для аналізу даних із системою центрів, визначено способи побудови множини центрів даних, найбільш ефективним є медоїд множиниі базовані на ньому центри. Результативність модифікації суттєво залежить від способу формування центрів, застосованої моделі класифікації, а також від самих даних. Найкращі результати показала класифікація з інтегрованим показником окремо для кожного із еталонів у вигляді суми значень розподілів для набору центрів; експериментально перевірена результативність класифікації, підтверджена працездатність запропонованого методу. Практична значущість роботи – побудова моделей класифікації у трансформованому просторі даних, підтвердження працездатності запропонованих модифікацій на прикладах зображень, створення програмного застосунку для впровадження розроблених методів класифікації у системах комп'ютерного зору.Документ Комбінаційний метод прискореного метричного пошуку даних у задачах класифікації зображень(Національний технічний університет "Харківський політехнічний інститут", 2021) Гороховатський, Володимир Олексійович; Стяглик, Наталя Іванівна; Царевська, Віталія ВіталіївнаПредметом досліджень статті є методи класифікації зображень за множиною дескрипторів ключових точок у системах комп’ютерного зору. Метою є підвищення продуктивності структурних методів класифікації шляхом впровадження індексованих хеш-структур на множині дескрипторів бази еталонних образів та узгодженого ланцюжкового поєднання кількох етапів аналізу даних у процесі класифікації. Застосовувані методи: детектор та де- скриптори BRISK, засоби хешування даних, методи пошуку в об’ємних масивах даних, метричний апарат визначення релевантності векторів, програмне моделювання. Отримані результати: розроблено ефективний метод класифікації зображень на основі впровадження швидкісного пошуку із використанням індексованих хеш-структур, що прискорює обчислення в десятки разів; виграш у часі обчислень збільшується при зростанні числа еталонів та дескрипторів у описах; особливості класифікатора полягають у тому, що здійснюється не точний пошук, а із врахуванням допустимого відхилення даних від еталону; експериментально перевірена результативність класифікації, що вказує на працездатність та ефективність запропонованого методу. Практична значущість роботи – побудова моделей класифікації у трансформованому просторі хеш-подання даних, підтвердження працездатності запропонованих модифікацій класифікаторів на прикладах зображень, розроблення прикладних програмних моделей для впровадження запропонованих методів класифікації у системах комп’ютерного зору.Документ Редукція опису зображення у складі множини дескрипторів на основі метричного критерію інформативності(Національний технічний університет "Харківський політехнічний інститут", 2021) Гороховатський, Володимир Олексійович; Власенко, Наталія ВолодимирівнаПредметом досліджень статті є класифікатори зображень за множиною дескрипторів ключових точок. Метою є підвищення продуктивності методів класифікації, зокрема, скорочення обчислювальних затрат шляхом впровадження на попередньому етапі оброблення апарату редукції для подання еталонних даних. Методи, що застосовуються: метричний апарат у векторному просторі, моделі для оцінювання інформативності даних, методи пошуку в масивах даних, моделі для визначення релевантності векторів та множин векторів, програмне моделювання. Отримані результати: розроблено метод редукції даних для задач класифікації зображень на основі впровадження метричних критеріїв для оцінювання інформативності елементів структурного опису зображення, що скорочує опис та прискорює обчислення; час класифікації для розглянутих експериментальних описів пропорційно скорочується зі зменшенням об'єму опису; для модельного експерименту досягнуто скорочення часу класифікації у п'ять разів при зменшенні обсягу опису у два рази; проведене моделювання підтверджує працездатність та результативність запропонованого методу в аспекті забезпечення якості класифікації з використанням засобів редукції. Практична значущість роботи – побудова моделей для оцінювання ступеня інформативності для образів візуальних даних; підтвердження працездатності запропонованих модифікацій засобів аналізу даних, розроблення прикладних програмних моделей для впровадження запропонованих методів редукції даних та класифікації зображень у системах комп'ютерного зору.Публікація Risk assessment of innovative projects: development of forecasting models(2021) Gorokhovatskyi, Volodymyr; Sergienko, Olena; Sosnov, Igor; Tatar, Maryna; Shapran, EvgeniyThe purpose of this article is development a systematic dynamic complex model of generation and risk assessment of innovative project, on the bases of which a scenario modeling of many risks influence arising at certain stages of project implementation in the target area. For article purpose realization, the paper proposes a complex toolkit for modeling the innovative projects risks in the direction of their impact on performance indicators in scenarios, which involves the implementation of the following stages of modeling: Stage 1. Collection and processing of project data; Stage 2. Evaluation of innovation project efficiency indicators; Stage 3. Formation and assessment of many risks of innovation project by components, nature and impact strength; Stage 4. Modeling of innovative project development scenarios. The implemented set of models makes possible to compare all components of efficiency and riskiness, which determine the integrated aggregate level of project risk by components of life cycle risks, target project risks and scenarios depending on environmental factors and managers propensity to take risks, and solves the problem of positioning the real indicators state of innovation project efficiency in a comparative dynamic context based on three-level assessment, due to structural elements of risks and identification of possible and promising deadlines and time horizons by stages of the project life cycle, critical paths and reserves which allow us to achieve the main goal of improving the innovative projects implementation efficiency.Документ Застосування засобів хешування даних для прискорення класифікаційних рішень у структурних методах розпізнавання зображень(Національний технічний університет "Харківський політехнічний інститут", 2021) Гороховатський, Володимир Олексійович; Власенко, Наталія Володимирівна; Рибалка, Михайло ОлексійовичПредметом досліджень є методи класифікації зображень за множиною дескрипторів ключових точок. Метою є підвищення продуктивності методів класифікації, зокрема, прискорення часових показників класифікації шляхом впровадження засобів хешування для подання еталонних даних. Методи, що застосовуються: детектор та дескриптори ORB, засоби хешування даних, методи пошуку в масивах даних, апарат визначення релева-нтності векторів на основі метрик, програмне моделювання. Отримані результати: розроблено ефективний метод класифікації зображень на основі впровадження швидкісного пошуку із використанням хеш-структур, що прискорює обчислення в десятки разів; час класифікації для розглянутих експериментальних описів лінійно зростає зі зменшенням числа хеш-кошиків; вибір порогу для значення мінімуму метрики при встановленні класу для дескрипторів об’єкту суттєво впливає на точність класифікації; вибір такого порогу може бути оптимізовано для фіксованих баз зразків; експериментально досягнута точність класифікації вказує на працездатність та результативність запропонованого методу на підґрунті хешуванням даних. Практична значущість роботи – побудова моделей класифікації у просторі хеш-подання даних, підтвердження працездатності запропонованих модифікацій класифікаторів на прикладах зображень, розроблення прикладних програмних моделей для впровадження запропонованих методів класифікації у системах комп’ютерного зору.Документ Дослідження результативності класифікаторів зображень за статистичними розподілами для компонентів структурного опису(Національний технічний університет "Харківський політехнічний інститут", 2021) Гороховатський, Володимир Олексійович; Гадецька, Світлана Вікторівна; Жадан, Олексій Віталійович; Хвостенко, Олександр ОлександровичПредметом досліджень є моделі для побудови класифікаторів зображень у просторі описів як множини дескрипторів ключових точок при розпізнаванні візуальних об’єктів у системах комп’ютерного зору. Метою є створення та вивчення властивостей класифікатора зображень на підґрунті побудови ансамблю розподілів для компонентів структурного опису із використанням різноманітних моделей прийняття класифікаційних рішень, що забезпечує результативну класифікацію. Завдання: побудова моделей класифікації у синтезованому просторі образів ймовірнісних розподілів, аналіз параметрів, що впливають на їх ефективність, експериментальне оцінювання результативності класифікаторів засобами програмного моделювання за наслідками оброблення експериментальної бази зображень. Застосованими методами є: детектор ORB для формування дескрипторів ключових точок, інтелектуальний аналіз даних, математична статистика, засоби визначення релевантності для множин векторів даних, програмне моделювання. Отримані результати: Розроблений метод класифікації підтверджує свою працездатність та ефективність для класифікації зображень. Результативність методу може бути посилена введенням різноманіття видів метрик та мір подібності між центрами та дескрипторами, вибором способу формування центрів для еталонних описів, введенням логічного оброблення та стиснення структурного опису. Найкращі результати класифікації показала модель з використанням найбільш вагомого класу за вектором розподілів для кожного дескриптора, що відповідає параметру моди. Використання концентрованої частки даних опису дає можливість покращити його розрізнення з іншими описами. Застосування медіани як центру опису має перевагу над середнім значенням. Висновки. Наукова новизна – розроблення ефективного методу класифікації зображень на основі впровадження системи ймовірнісних розподілів для компонентів даних, що сприяє поглибленому аналізу у просторі даних та підвищує результативність класифікації. Класифікатор реалізовано у варіантах зіставлення інтегрального подання розподілів за класами і на підставі аналізу моди для розподілів окремих компонент. Практична значущість роботи – побудова моделей класифікації у видозміненому просторі даних, підтвердження працездатності запропонованих модифікацій аналізу даних на прикладах зображень, розроблення програмних моделей для впровадження запропонованих методів класифікації у системах комп’ютерного зору.Документ Класифікація зображень на підставі формування незалежної системи кластерів у складі структурних описів бази еталонів(Національний технічний університет "Харківський політехнічний інститут", 2020) Гороховатський, Володимир Олексійович; Пономаренко, Роман ПетровичПредметом досліджень статті є структурні методикласифікації зображень у просторі образів як множини дескрипторів ключових точок задля розпізнавання візуальних об’єктів у системах комп’ютерного зору. Метою є створення ефективного методу класифікації на підставі впровадження системи незалежних кластерів для бази еталонів. Завдання: розроблення моделей класифікації у новоствореному просторі образів, аналіз їх обчислювальної ефективності, оцінювання результативності класифікації засобами програмного моделювання. Методи: детектор BRISK для формування дескрипторів ключових точок, інтелектуальний аналіз даних, метод k-середніх для кластеризації даних, програмне моделювання. Отримані результати: запропоновано моделі класифікації описів на основі системи самостійних кластерів та їх центрів, які спрощують оброблення даних та підвищують швидкодію реалізації, проведено порівняльний аналіз розроблених методівіз відомими. Здійснена програмна реалізація впроваджених моделей класифікації, експериментально проведено дослідження їх ефективності та оцінювання часу оброблення. Висновки. Наукова новизна – розвинення методу класифікації зображень на основі впровадження системи незалежних кластерів для еталонних описів, що сприяє поглибленому аналізу даних. Метод реалізовано в модифікаціях зіставлення кластерного подання і на основі конкурентного аналізу дескрипторів опису. Практична значимість роботи полягає у побудові моделей класифікації у створеному просторі даних, підтвердженні працездатності запропонованих модифікацій оброблення даних, розробленні програмних моделей для впровадження методів у системах комп’ютерного зору.Документ Дослідження трансформацій простору даних при навчанні мережі Кохонена у методах структурної класифікації зображень(Національний технічний університет "Харківський політехнічний інститут", 2020) Гороховатський, Володимир Олексійович; Пупченко, Дмитро Вікторович; Стяглик, Наталя ІванівнаПредметом досліджень статті є модифікація засобів навчання мережі Кохонена задля класифікації зображень у системах комп'ютерного зору. Метою є визначення нового простору даних для навчання мережі та створення ефективного методу класифікації на основі множини дескрипторів ключових точок. Завдання: застосування нейронної мережі Кохонена для навчання системи класифікації у визначеному просторі даних, трансформація простору даних навчання мережі, вивчення адаптаційних можливостей і оцінювання ефективності функціонування мережі засобами програмного моделювання. Методами є: інтелектуальний аналіз даних, апарат структурної класифікації зображень, детектор ORB для визначення дескрипторів ключових точок, засоби навчання мережі Кохонена, програмне моделювання. Отримані такі результати. Запропоновано моделі трансформації даних, які підвищують результативність навчання. Проведено порівняльний аналіз розроблених методів навчання та класифікації. Здійснена програмна реалізація системи класифікації, експериментально проведено дослідження її ефективності та оцінювання часу оброблення. Висновки. Наукова новизна дослідження полягає в удосконаленні методів структурної класифікації з використанням навчання мережі Кохонена шляхом впровадження нового простору даних на базі центрів описів еталонів та згортання даних, що сприяє забезпеченню високої результативності класифікації при достатній швидкодії та дає можливість використовувати модифіковані методи у застосунках реального часу. Практичну значимість роботи складають отримані моделі програмного забезпечення для оцінювання ефективності класифікаторів у системах комп'ютерного зору, підтверджена ефективність розробок на прикладах баз даних зображень.