Registration Number
0826U005117, PhD dissertation
Status
Доктор філософії
Date
24-08-2026
popup.evolution
.
Title
Models and methods for detection, tracking, and end-to-end identification of laboratory animals in video data.
Author
Maksym A. Shvandt,
popup.head Nataliia Volkova
popup.opponent Volodymyr I. Lytvynenko
popup.opponent Oleh M. Berezkyi
popup.review Halyna Y. Shcherbakova
popup.review Mykola A. Hodovychenko
popup.rada
Odesa Polytechnic National University
Description
У вступі обґрунтовано актуальність вирішення задач автоматизації моніторингу поведінки лабораторних тварин у контрольованих умовах за відеоданими. Визначено об’єкт, предмет, мету, задачі та методи дослідження; наведено наукову новизну та практичне значення одержаних результатів; висвітлено особистий внесок здобувача. Об’єктом дослідження є процеси автоматизованого відеомоніторингу поведінки лабораторних тварин, предметом — моделі та методи їх детектування, сегментації, трекінгу й наскрізної ідентифікації. Мета роботи полягає у підвищенні якості цих процесів у довготривалих відеозаписах шляхом удосконалення методів комп’ютерного зору та нейромережевих моделей. Поставлено задачі аналізу існуючих підходів, удосконалення методу SLIC і методу детектування на його основі, удосконалення нейромережевої моделі Mask R-CNN для багатоканальних ознак, розроблення моделі наскрізної ідентифікації без ручного маркування та інтегрованого конвеєра обробки відеоданих.
У першому розділі проаналізовано методи детектування, трекінгу та збереження ідентичності лабораторних тварин. Показано нестійкість класичних методів до змін освітлення, артефактів і перекриттів та обґрунтовано нейромережеве детектування. Визначено вимоги до детектора щодо точності, швидкодії, локального навчання й обмежених ресурсів та доцільність поєднання з методом суперпіксельної сегментації SLIC і Re-ID. За результатами аналізу сформульовано мету та завдання дослідження.
У другому розділі розв’язано задачу підвищення якості детектування та локалізації за нестаціонарного фону, артефактів та оклюзій. Запропоновано удосконалений метод на основі методу суперпіксельної сегментації SLIC, що включає попередню обробку, формування різницевого зображення, сегментацію на суперпікселі, контекстне порогування й постобробку. Модифікована метрика враховує просторові координати, LAB-ознаки, різницеве зображення та локальну однорідність пікселів. Якість детектування та локалізації підвищено більш ніж на 6 % порівняно з базовим методом SLIC. Сформульовано перший та другий пункти наукової новизни. Удосконалено метод суперпіксельної сегментації SLIC за рахунок використання багатошарового простору ознак, який базується на LAB-моделі зображення, враховує різницеве зображення та результати перевірки однорідності пікселів у локальному оточенні, що дозволило підвищити якість локалізації лабораторних тварин у відеоданих за умов нестаціонарного фону та наявності артефактів. Удосконалено метод детектування лабораторних тварин у відеоданих шляхом використання методу суперпіксельної сегментації SLIC і контекстної фільтрації, що дозволило підвищити якість детектування лабораторних тварин за умов нестаціонарного фону.
У третьому розділі розв’язано задачу підвищення якості детектування та сегментації за часткових перекриттів, злиття та розділення об’єктів. Запропоновано удосконалену нейромережеву модель Mask R-CNN із двомагістральним ResNet18 і SE-злиттям B→A для базових та додаткових каналів ознак. Отримано mAP50=0,87 для рамок і mAP50=0,90 для масок за часу виведення близько 105,5 мс. Сформульовано третій пункт наукової новизни: удосконалено нейромережеву модель Mask R-CNN за рахунок введення подвійної магістралі екстракції ознак із керованим SE-злиттям (B→A), що дозволило підвищити якість детектування та сегментації лабораторних тварин у відеоданих за умов часткових перекриттів, злиття та подальшого розділення об’єктів зі збереженням прийнятної оперативності.
У четвертому розділі розв’язано задачу наскрізної ідентифікації лабораторних тварин за частих перекриттів, фрагментації траєкторій і незначних візуальних відмінностей. Запропоновано концептуальну модель Mask-TAUDL без ручного маркування, що поєднує нейромережеву модель Mask R-CNN, треклети, twin-ResNet18, масково-зважені ROI-ознаки та TAUDL. Формується 256-вимірний L2-нормалізований вектор вбудовування для зіставлення треклетів. Сформульовано четвертий пункт наукової новизни: вперше запропоновано концептуальну модель наскрізної ідентифікації лабораторних тварин у відеоданих без використання ручного маркування Mask-TAUDL, яка інтегрує механізм отримання ознак на основі удосконаленої нейромережевої моделі Mask R-CNN із подвійною магістраллю екстракції ознак, масково-зважені ROI-ознаки та механізми асоціації треклетів без використання ручного маркування TAUDL, що забезпечує формування нормалізованих векторів вбудовувань і стабільне збереження ідентичності лабораторних тварин протягом відеопослідовності.
У п’ятому розділі розроблено й перевірено інтегрований конвеєр детектування, трекінгу й наскрізної ідентифікації, що поєднує попередню обробку, метод SLIC, нейромережеву модель Mask R-CNN, арбітраж детекцій, трекінг і концептуальну модель Mask-TAUDL. Тестування проведено на відеопослідовностях тривалістю 900, 3200 та 4320 кадрів. Результати підтвердили працездатність конвеєра та застосунку для автоматизованого аналізу відеоданих. Запропоновані моделі, методи та засоби впроваджено у лабораторні дослідження та навчальний процес.
Registration Date
2026-09-03
popup.nrat_date
2026-09-03 / 2026-09-16
