Перегляд за Автор "Molchanova, M."
Зараз показуємо 1 - 20 з 20
Результатів на сторінці
Налаштування сортування
Документ Analysis of Precision of Finding the Destroyed Remains Buildings on Photos using MobileNetV3 and ViT Neural Networks(2025) Dydo, R.; Sobko, O.; Molchanova, M.; Mazurets, O.; Мазурець, Олександр ВікторовичThis study presents a comparative analysis of the precision and recall of MobileNetV3 and Vision Transformer (ViT) neural networks in detecting destroyed building remains from photographic data. Using a curated dataset of disaster-zone images, both models were trained and evaluated on key performance metrics. Results show that while both architectures performed well, ViT consistently achieved higher accuracy and generalization, particularly in complex material classes. The findings support the use of ViT in high-precision post-disaster assessment systems and highlight its potential for integration into automated, real-time damage detection platforms.Документ Approach to Using Cloud Services for Visual Analytics of Neural Network Analysis of Texts Emotional Tonality(2024) Yurchenko, D.; Mazurets, O.; Didur, V.; Molchanova, M.; Мазурець, Олександр ВікторовичFor the neural network analysis of the emotional tonality of messages, it is proposed to use a hybrid architecture neural network that combines the simultaneous advantages of the CNN and BiLSTM architectures. A neural network architecture was developed for determining emotional tonality, and the LIME model of interpreted model-agnostic explanations was used to visually explain the results of the neural network analysis of emotional tonality. This approach will make it possible to use all the advantages of neural network solutions, but to have an understanding for the user of what influenced these solutions.Документ Convolutional Neural Network Architecture for Image-Based Architectural Style Recognition(2025) Mushtyn, O.; Sobko, O.; Molchanova, M.; Mazurets, O.; Мазурець, Олександр ВікторовичThis paper presents a convolutional neural network–based approach to architectural style classification using the MobileNetV2 architecture. The model leverages transfer learning and fine-tuning techniques to adapt a pre-trained network for multi-class classification across 25 architectural styles. A modular intelligent system is proposed, encompassing data preprocessing, training, evaluation, classification, and user interaction. The approach includes advanced methods such as image augmentation, dropout regularisation, and learning rate scheduling to improve generalisation and reduce overfitting. Experimental results demonstrate high classification accuracy and robustness to variations in image quality, perspective, and lighting. The model also provides interpretable outputs through attention mechanisms, supporting transparency and deeper analysis of stylistic features. The proposed system holds significant potential for applications in heritage documentation, urban analysis, and educational tools, while addressing challenges related to data imbalance, hybrid styles, and the need for scalable, adaptive solutions. Future directions include integrating multimodal data, continuous learning, and deployment in real-world heritage and planning contexts.Документ Datalogic Model for Image Recognition by Convolutional Neural Network Using Cloud Services(2024) Mazurets, O.; Molchanova, M.; Klimenko, V.; Klopotivskyi, D.; Мазурець, Олександр ВікторовичThe developed database and information system from the research for recognizing potato fruit diseases by a convolutional neural network using cloud services allows for the rapid detection of diseases, which helps farmers make effective decisions on the application of control measures and plant protection. In addition, given its high accuracy (0.96 per 100 training epochs), the software can be used as a tool for research and monitoring plant health in agriculture and for developing new methods and technologies to increase yields and reduce crop losses.Документ Deep learning neural network architecture for determining sunflower growth stage from visual data(2025) Malaydakh, V.; Molchanova, M.; Shevchuk, P.; Mazurets, O.; Мазурець, Олександр ВікторовичThis paper presents the development of a deep learning neural network architecture based on EfficientNet-B0 for determining the growth stage of sunflower plants from visual data. The research addresses the need for automated, accurate, and resource-efficient phenological analysis in precision agriculture. The proposed model processes 224×224-pixel images and classifies sunflower development into eight phenological stages, achieving a classification accuracy of approximately 92% with minimal computational overhead. Key architectural features include MBConv blocks, compound scaling, and optimised inference suitable for mobile and UAV deployment. The system enables real-time monitoring, early detection of anomalies, and adaptive agronomic decision-making. Results highlight the potential for integrating this lightweight architecture into edge-computing platforms to enhance sustainability and efficiency in large-scale agricultural operationsДокумент Efficiency Analysis of Wrecking Waste Classification Using Neural Network(2025) Zalutska, O.; Mazurets, O.; Molchanova, M.; Мазурець, Олександр ВікторовичThis study examines the efficiency of a neural approach to identifying and classifying wrecking waste in photographic data. Building on a two-factor design that couples scene-level detection with per-class binary refinement, we quantify where accuracy is earned, where it is lost, and which components: architecture, data composition, augmentation, and arbitration – most strongly govern the outcome. Using a composite dataset of ten material classes, we report that the hybrid method attains up to 97.8% classification accuracy, with substantial gains over a detector-only baseline on heterogenous or texture-confusable categories. Detector metrics such as mAP50 ≈ 0.746 and mAP50–95 ≈ 0.669 confirm reliable localization, while binary residual classifiers close the gap in label assignment, lifting macro F1 from ≈0.751 to ≈0.974. These findings indicate that efficiency, measured as correct material routing per unit inference cost, is maximized when detection and classification are decoupled yet reconciled through a calibrated arbitration rule.Документ Information System for Detecting Abusive Speech in Audio Content by Means of Natural Language(2024) Nazarov, V.; Molchanova, M.An information technology for the detection of abusive speech is proposed, which is designed to receive input information in the form of a training set of data for a neural network model for determining emotional tonality and test audio content of the output data in the form of a numerical assessment of the abusiveness of the content and a conclusion regarding the acceptability of content according to the level of abuse. Appropriate software was developed to study the effectiveness of information technology for detecting abusive speech in Ukrainian-language audio content. The Python programming language was used to implement the intelligent system. The developed software includes a software module for training recurrent neural network models and further saving trained instances, and a software module for detecting abusive manifestations in Ukrainian-language audio content using trained neural network models. The developed test software modules make it possible to conduct an applied study of the information technology for detecting abusive speechДокумент Method for Determining the Person Emotional State in Real Time by Neural Networks Tools(2024) Hladun, O.; Molchanova, M.; Zalutska, O.The paper proposes method for determining the person emotional state in real time by means of neural networks, which allows for transformation of input data in the form of trained neural network model of convolutional architecture and video stream into output data that includes information about person's emotional state, presented in the form of emotional tags that correspond to emotions: joy, sadness, anger, disgust, fear, surprise and neutral.Документ Neural Network Dual Architecture for Depression Detection Using Cloud Services(2024) Tymofiiev, I.; Mazurets, O.; Hardysh, D.; Molchanova, M.; Мазурець, Олександр ВікторовичA method of detecting a depressive state by means of NLP was developed, which is designed to transform input data in the form of text and a trained neural network model of dual architecture into output data in the form of a numerical assessment of the presence of a depressive state. The proposed method differs from analogs in that it combines a two-stream architecture, which is based on the use of two parallel neural networks, each of which specializes in the analysis of different aspects of the text - syntactic and semantic.Документ Object-Oriented Approach for Ethnic Enmity Detection in Text Messages by NLP(2024) Molchanova, M.; Mazurets, O.; Sobko, O.; Boiarchuk, I.; Мазурець, Олександр ВікторовичThe effectiveness of the method was studied using the developed software by comparing the obtained answers with the validation set, and the trained FastForest machine learning model was evaluated using the metrics MicroAccuracy, MacroAccuracy, LogLoss, ConfusionMatrix, f1-measure, and Recall. Without changing the working training set, the metrics values were as follows: MicroAccuracy 0.9890, MacroAccuracy 0.9889, and LogLoss 0.0463. It was developed a software implementation of the method for detecting manifestations of ethnic hatred in text messages of social Internet networks by NLP tools, which uses natural language processing techniques and converts input data in the form of a trained FastForest classifier and an input text message into output data in the form of a percentage of ethnic hatred in a test message of social Internet networks.Документ Object-oriented model for neural network damage detection of mail packages(2024) Molchanova, M.; Mazurets, O.; Klimenko, V.; Kuflevsky, Ev.; Мазурець, Олександр ВікторовичThe software structure of the object-oriented information system was designed, and the functional purpose of the software components of the mail package damage detection system, which consists of three main classes "DamageDetectionApp", "ModelTrainer", and "ImageGalery" were described. The components of the object-oriented information system for detecting damage to postal packages, consisting of three classes responsible for subsystem implementation were implemented.Документ Practice Implementation of Neural Network Model BART-Large-CNN for Text Annotation(2024) Mazurets, O.; Molchanova, M.; Klimenko, V.; Prosvitliuk, M; Мазурець, Олександр ВікторовичThe scheme of the method of annotating works of art was described, which works by converting input data in the form of text for annotating a work of art, a trained machine learning model, and desired annotation parameters into output data in the form of an annotation and a numerical evaluation of the quality of the annotation and is intended for automated annotation creation. We also present the neural network architecture of the machine learning model, which is the input to the proposed method of annotating works of art. This neural network model belongs to the «transformers» type and is currently one of the most powerful text generation models. A practical implementation of the method of annotating works of art has been created and the main purposes of the software components of the intelligent system for annotating works of art have been described.Документ Real Time Detection the Person Emotion State Using Neural Network(2024) Hladun, O.; Mazurets, O.; Molchanova, M.; Sobko, O.; Мазурець, Олександр ВікторовичThe method of determining the emotional state of a person in real time by neural networks tools is proposed, which uses a convolutional neural network and allows detecting 7 basic emotional states of a person with an accuracy of more than 80% for each of the emotions.Документ Research on the effectiveness of neural network detection of plots with the destroyed buildings remains(2025) Didur, V.; Molchanova, M.; Mazurets, O.; Мазурець, Олександр ВікторовичThis paper explores the effectiveness of neural network approaches for detecting and classifying plots containing the remains of destroyed buildings using aerial imagery. The proposed method integrates a YOLO-based object detector and a Vision Transformer for multi-class classification of structural debris such as concrete, metal, brick, and wood. The system achieves high accuracy (97%) and demonstrates strong performance across key classification metrics. This research highlights the critical role of deep learning in accelerating post-disaster damage assessment, supporting emergency response, cultural heritage preservation, and long-term urban resilience planning.Документ Software for Text Messages Reliability Analysis Based on the Machine Learning Models Ensemble(2024) Shevchuk, P.; Molchanova, M.; Mazurets, O.; Мазурець, Олександр ВікторовичThe developed model is the closest to predicting the data on the labeled set, showing 4 errors out of 50 test samples, which is 92% accurate when analyzing the reliability of text messages. The implementation of the test software in the form of a website was carried out by integrating Scikit-Learn and Flask technology. It is proposed to add four different machine learning models to the ensemble — logistic regression, decision trees, gradient boosting, and random forest, on the basis of which a weighted estimate of the credibility of text messages will be formed, which is calculated as the sum of the influence coefficients of each model multiplied by the output of the corresponding classifier model.Документ Visual Analytic of Propaganda Objects Detecting by Neural Network(2024) Molchanova, M.Proposes visual analytic of method for detecting propaganda objects, which allows you to find in propaganda texts, at whom and what are the propaganda techniques used in the texts specifically aimed at. A visual interpretation of the found objects of propaganda was carried out, which allows to visually observe the objects of influence of propaganda within the framework of the used propaganda techniquesДокумент Метод класифікації текстів за вмістом пропаганди нейромережевими моделями глибокого навчання(Хмельницький національний університет, 2024) Молчанова, М.; Molchanova, M.Запропоновано метод класифікації текстів за вмістом пропаганди нейромережевими моделями глибокого навчання, що ґрунтується на об’єднанні традиційних рекурентних нейромереж з довгостроковою пам’яттю із трансформерами, що може забезпечити більш глибоке розуміння послідовності та контексту в текстовому контенті. Особливістю запропонованого методу є те, що він дозволяє виявляти як явні, так і приховані пропагандистські меседжі, ґрунтуючись на об’єднанні можливостей традиційних рекурентних нейромереж з довгостроковою пам’яттю і нейромереж-трансформерів, а також на використанні механізму аугментації навчальних текстових даних, що дозволяє розширити кількість навчальних зразків. Для навчання нейромережі було створено набір даних з понад 25 000 записів та розроблене відповідне програмне забезпечення для дослідження ефективності методу. Встановлено, що з застосуванням аугментації кращі показники досягаються при більшій кількості епох, що пояснюється розширенням навчальної вибірки, яке призводить до потреби більшої кількості епох. В той же час, при застосуванні аугментації вдалося досягнути точності 97.83 %, водночас без аугментації цей показник максимально досяг рівня 96.94%. Одержані результати свідчать про спроможність запропонованого методу ефективно класифікувати тексти за вмістом пропаганди нейромережевими моделями глибокого навчання, а застосування додаткової категорії «підозрілий текст» дозволило підняти показники Precision та Recall, що у свою чергу дає можливість автоматизованої модерації текстів на предмет пропаганди з помилками не більше 1.83% для хибного виявлення пропаганди.Документ Метод нейромережевого виявлення кібербулінгу з використанням хмарних сервісів та об'єктно-орієнтованої моделі(Хмельницький національний університет, 2024) Молчанова, М.; Мазурець, О.; Собко, О.; Кліменко, В.; Андрощук, В.; Molchanova, M.; Mazurets, O.; Sobko, O.; Klimenko, V.; Androschuk, V.У роботі пропонується практичний підхід до виявлення кібербулінгу із використанням нейронної мережі BiLSTM, навченої за допомогою хмарних сервісів та застосунку, що реалізовує запропонований метод виявлення кібербулінгу. Для дослідження ефективності запропонованого методу було створено об’єктно-орієнтовану програмну реалізацію середовища програмування PyCharm, а також ноутбук для виконання в хмарному сервісі «Google Colab» для навчання нейромережі.Документ Нейромережеве виявлення і класифікація прийомів та об’єктів пропаганди у текстовому контенті(Хмельницький національний університет, 2024) Молчанова, М.; Molchanova, M.Запропоновано підхід до нейромережевого виявлення і класифікації прийомів та об’єктів пропаганди у текстовому контенті, що складається з трьох послідовних етапів та забезпечує ефективне виявлення наявності пропаганди, класифікацію використаних технік пропаганди, та встановлення об’єктів виявленого пропагандистського впливу. Етап класифікації текстів за вмістом пропаганди нейромережевими моделями глибокого навчання дозволяє виявляти як явні, так і приховані пропагандистські меседжі, що забезпечує більш глибоке розуміння послідовності та контексту в текстовому контенті та дозволяє досягнути точності 97.83%. Етап виявлення прийомів пропаганди за маркерами із візуальною інтерпретацією прийнятих рішень дозволяє перетворювати вхідні дані у вигляді тексту для аналізу та навчених окремим технікам 17 моделей машинного навчання у вихідні дані, які містять числові оцінки наявності кожної з технік пропаганди із візуальною аналітикою присутності детектованих маркерів пропаганди, що забезпечує виявлення різних пропагандистських технік з мінімальною точністю 82,03%. Етап виявлення об’єктів пропаганди нейромережевими моделями глибокого навчання з візуальною інтерпретацією прийнятих рішень характеризується розширенням множини об’єктів пропаганди за рахунок додавання варіантів їх словесних подань і використанням контекстних вікон для виявлення взаємозв’язків між використаними прийомами та об’єктами пропаганди, що дало можливість виявлення об’єктів пропаганди та візуально їх інтерпретувати. Для візуальної інтерпретації одержаних результатів, формується візуальна аналітика щодо знайдених технік та об’єктів пропаганди, що дозволяє візуально спостерігати об’єкти впливу в рамках використовуваних технік пропаганди. Внаслідок розробки підходу, вирішено ряд проблем в напрямку автоматизації виявлення пропаганди, таких як відсутність комплексного аналізу взаємозв’язків прийомів і об’єктів пропаганди в текстах, та відсутність узагальнень для об’єктів пропаганди і їх альтернативних згадок у текстахДокумент Підходи до практичного аналізу обчислювальних алгоритмів(Хмельницький національний університет, 2021) Бармак, О.В.; Радюк, П.М.; Молчанова, М.О.; Собко, О.В.; Barmak, O.; Radiuk, P.; Molchanova, M.; Sobko, O.У роботі пропонується практичний підхід до визначення основних типів алгоритмів залежно від їх ефективності за зовнішнім виглядом програмного коду. Наведено приклади аналізу ефективності програмного коду для обчислювальної складності за зменшенням ефективності, що подається як (в асимптотичних позначеннях) О(1), О(logN), O(N), O(NlogN), O(N2), O(N3). Завдання дослідження полягає в аналізі програмного коду та визначенні умов, за яких алгоритм належить до того або іншого типу обчислювальної складності. Встановлено, що основними чинниками, за якими можна оцінити обчислювальну складність алгоритму за візуальним аналізом програмного коду є наявність у коді циклів, особливо вкладених, рекурсивність алгоритму тощо.