Кафедра комп’ютерних наук

Постійне посилання зібрання

https://elar.khmnu.edu.ua/handle/123456789/582

Переглянути

Перегляд Кафедра комп’ютерних наук за Ключові слова "004.89"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    Документ
    Interpretable deep learning method for medical image diagnosis
    (ФОП Вишемирський В.С., 2024-06-23) Manziuk, Eduard; Barmak, Oleksandr; Krak, Iurii; Petliak, N.; Jin, Zh.; Radiuk, Pavlo
    Incorporating artificial intelligence into the medical field holds immense potential, but it also raises significant challenges that must be addressed to ensure patient safety and ethical practices. While AI can enhance efficiency and support decision-making processes, its application in healthcare demands utmost caution and rigorous safeguards.
  • Ескіз
    Документ
    Метод розпізнавання БПЛА за зображанням з тепловізора засобами глибокого навчання
    (Хмельницький національний університет, 2024-11-16) Казіонов, М.А.; Скрипник, Т.К.; Пасічник, О.А.; Вознюк, Л.О.
    У роботі наведено результати дослідження застосування методу розпізнавання БПЛА за тепловими зображеннями засобами глибокого навчання, зокрема, для задач моніторингу та забезпечення безпеки в умовах обмеженої видимості. Для тестування та оцінки ефективності методу використовувалася симуляційна модель польоту БПЛА у середовищі Unity, що дозволило створити набір навчальних даних із теплових зображень. Використання моделі YOLO як основної моделі детекції обумовлено її високою швидкістю роботи та здатністю виконувати ідентифікацію та локалізацію об’єктів за одну ітерацію. У випадку детекції БПЛА за тепловими зображеннями, модель YOLO продемонструвала високу точність розпізнавання — понад 90% у сценаріях із різними рівнями шуму, варіативними відстанями та кутами спостереження. Це свідчить про її ефективність у застосуваннях для реального часу, де важливим є швидке реагування на появу об'єктів у зоні моніторингу. Застосування симуляційного середовища Unity дозволило моделювати польоти у складних умовах, таких як різні рівні освітленості, зміна температури та наявність диму чи інших перешкод, що полегшило процес підготовки навчальних даних. Використання попередньої обробки зображень та адаптації параметрів YOLO для роботи з тепловими даними стало важливим кроком у підвищенні точності детекції об’єктів. Подальше вдосконалення алгоритму передбачає оптимізацію гіперпараметрів і додавання нових шарів, що допоможе підвищити стабільність результатів у випадках із низькою контрастністю зображень. Цей метод може бути корисним у системах захисту від БПЛА, підвищуючи їхню надійність та точність навіть у складних умовах експлуатації.