Сучасні інформаційні системи

Постійне посилання на розділhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/62915

Офіційний сайт http://ais.khpi.edu.ua/

У журналі публікуються результати досліджень з експлуатації та розробки сучасних інформаційних систем у різних проблемних галузях.

Рік заснування: 2017. Періодичність: 4 рази на рік. ISSN 2522-9052 (Print)

Новини

Включений до "Переліку наукових фахових видань України, в яких можуть публікуватися результати дисертаційних робіт на здобуття наукових ступенів доктора і кандидата наук" (технічні науки) наказом Міністерства освіти і науки України від 04.04.2018 № 326 (додаток 9, п. 56).

Переглянути

Фільтри

2023 - 20243

Налаштування

Ключові слова: search.filters.subject.computer vision

Результати пошуку

Зараз показуємо 1 - 3 з 3
  • Ескіз
    Документ
    The issue of training of the neural network for drone detection
    (Національний технічний університет "Харківський політехнічний інститут", 2024) Hashimov, Elshan; Khaligov, Giblali
    In the article, the issue of mistaking birds for UAVs, which is considered one of the main problems in the process of detecting unmanned aerial vehicles (UAVs) through cameras, was considered. The object of the study is a method of training an artificial intelligence model so that the detection system does not mistake drones for birds. In order to solve this problem, as an alternative to creating a new complex model, the retraining method was used by making some changes to the previously developed model. The aim of the study is to train an artificial intelligence model using certain methods to detect drones and prevent them from being mistaken for birds.
  • Ескіз
    Документ
    Efficiency of supplementary outputs in siamese neural networks
    (Національний технічний університет "Харківський політехнічний інститут", 2023) Melnychenko, Artem; Zdor, Kostyantyn
    In the world of image analysis, effectively handling large image datasets is a complex challenge that requires using deep neural networks. Siamese neural networks, known for their twin-like structure, offer an effective solution to image comparison tasks, especially when data volume is limited. This research explores the possibility of enhancing these models by adding supplementary outputs that improve classification and help find specific data features. The article shows the results of two experiments using the Fashion MNIST and PlantVillage datasets, incorporating additional classification, regression, and combined output strategies with various weight loss configurations. The results from the experiments show that for simpler datasets, the introduction of supplementary outputs leads to a decrease in model accuracy. Conversely, for more complex datasets, optimal accuracy was achieved through the simultaneous integration of regression and classification supplementary outputs. It should be noted that the observed increase in accuracy is relatively marginal and does not guarantee a substantial impact on the overall accuracy of the model.
  • Ескіз
    Документ
    Матриця відстаней для множини компонентів структурного опису як інструмент для створення класифікатора зображень
    (Національний технічний університет "Харківський політехнічний інститут", 2023) Гороховатський, Володимир Олексійович; Передрій, Олена Олегівна; Творошенко, Ірина Сергіївна; Марков, Тарас Євгенович
    Предметом досліджень статті є методи класифікації зображень у системах комп'ютерного зору. Мета – розвинення структурних методів класифікації в аспекті впровадження системи класифікаційних ознак на підґрунті значень матриці відстаней для багатовимірних компонентів опису. Застосовувані методи: детектор ключових точок AKAZE, апарат теорії множин і векторних просторів, метричні моделі визначення релевантності для множин багатовимірних векторів, теорія формування розподілів даних, елементи теорії ймовірностей, програ мне моделювання. Отримані результати: розроблено модифікації методу класифікації зображень на основі впро вадження формалізму матриць відстаней для множини компонентів опису, запропоновано інтеграційні моделі для формування класифікаційних ознак та здійснення дій над множинами векторів на основі матриці відстаней, вста новлено метричні особливості множин багатовимірних векторів як ознак класифікації. Результативність розробле них модифікацій класифікатора залежить від вибору підмножини та числа дескрипторів у описі, міри для зістав лення описів. На підставі впровадження апарату матриці відстаней вдалося сформувати інтегровані ознаки у ви гляді одновимірних розподілів даних і скоротити обчислювальні витрати при забезпеченні результативності кла сифікації на навчальній вибірці даних. Практична значущість роботи полягає у побудові моделей класифікації на підставі матриці відстаней, підтвердженні працездатності запропонованих модифікацій на прикладах зображень, створенні програмного застосунку для впровадження розроблених класифікаторів у комп'ютерному баченні.