Registration Number
0826U005039, PhD dissertation
Status
Доктор філософії
Date
15-09-2026
popup.evolution
o
Title
TECHNOLOGY FOR PROCESSING AERIAL SURVEILLANCE DATA USING UNSUPERVISED LEARNING METHODS
Author
Anhelina Zhultynska,
popup.head Pylyp Prystavka
popup.opponent Iryna A. Yurchuk
popup.opponent Taras А. Maksymyuk
popup.review Myroslav О. Riabyi
popup.review Tetiana O. Okhrimenko
popup.rada
National University «Kyiv Aviation Institute»
Description
Жултинська А. К. Технологія опрацювання даних повітряного спостереження методами навчання без учителя. – Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 «Комп'ютерні науки» (галузь знань 12 – Інформаційні технології). – Національний університет «Київський авіаційний інститут», Київ, 2026.
Дисертаційну роботу присвячено розробці технології автоматизованого аналізу даних повітряного спостереження в умовах апріорної невизначеності складу сцени та відсутності розмічених навчальних вибірок.
Об'єктом дослідження є процеси цифрового опрацювання та аналізу візуальної інформації в системах дистанційного зондування Землі на базі безпілотних авіаційних комплексів.
Предметом дослідження є методи непараметричної апроксимації розподілу локальних моментних характеристик цифрових зображень поліноміальними сплайнами, близькими до інтерполяційних у середньому, та алгоритми навчання без учителя для задач сегментації і виявлення аномальних об'єктів.
У дисертації розроблено технологію некерованого аналізу аерознімків на основі сплайн-моделі розподілу локальних моментних характеристик. Ядром методу є перехід від простору інтенсивностей пікселів до двовимірного простору ознак локальних статистичних моментів – середнього значення та середньоквадратичного відхилення, – що обчислюються за методом інтегральних зображень зі складністю на піксель. Двовимірний поліноміальний сплайн другого степеня слугує непараметричною оцінкою спільної щільності розподілу цих ознак. Аналітичний градієнт сплайн-поверхні є математичною основою двох детерміністичних алгоритмів сегментації: алгоритму градієнтного підйому на основі конвергентного потенціалу та алгоритму дискримінантних ліній на основі долинного сканування. Виявлення аномалій формалізовано як квантильний пороговий критерій на сплайн-поверхні.
Розроблений клас методів одночасно задовольняє чотири необхідні вимоги до методів бортового аналізу: непараметричність, лінійна алгоритмічна складність незалежно від числа пікселів, автоматичне визначення кількості класів та аналітична диференційовність оцінки щільності.
Верифікацію проведено на 150 реальних аерознімках із трьох незалежних джерел (1050 вимірювань, 7 алгоритмів). Алгоритм градієнтного підйому з алгоритмом апостеріорного відбору посів перше місце за метриками якості сегментації: скоригований індекс Ренда (ARI) = 0,134, нормована взаємна інформація (NMI) = 0,151, середнє IoU = 0,409, Silhouette Score = 0,635. Алгоритм апостеріорного відбору підвищив значення ARI на 33,3 %, Silhouette Score – на 57,0 %. Метод виявлення аномалій досяг площі під ROC-кривою 0,703 на реальних аерознімках безпілотних апаратів та 0,932 на синтетичних даних. Результати впроваджено у програмний комплекс SplineAnalyzer та в навчальний процес кафедри прикладної математики КАІ.
Ключові слова: сегментація, розпізнавання образів, компʼютерний зір, машинне навчання, сплайн, аналіз даних, цифрове зображення, виявлення аномалій, БПЛА, автоматизовані системи
Registration Date
2026-09-03
popup.nrat_date
2026-09-03 / 2026-10-02
