Реєстраційний номер
0825U003470, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
09-09-2025
Статус
Наказ про видачу диплома
Назва роботи
Моделі класифікації зображень на основі аналізу текстових метаданих
Здобувач
Дашенков Дмитро Сергійович,
Керівник Смеляков Кирило Сергійович
Опонент Худов Геннадій Володимирович
Опонент Копп Андрій Михайлович
Рецензент Волк Максим Олександрович
Рецензент Чалий Сергій Федорович
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Харківський національний університет радіоелектроніки
Опис
Дашенков Д.С. Моделі класифікації зображень на основі аналізу текстових метаданих. — Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 121 — Інженерія програмного забезпечення. — Харківський національний університет радіоелектроніки, Міністерство освіти та науки України, Харків, 2025.
У дисертаційній роботі представлені результати теоретичних і експериментальних досліджень, які у сукупності вирішують актуальне наукове завдання забезпечення ефективності розроблення програмного забезпечення класифікації зображень в умовах відсутності даних для навчання моделі-класифікатора та необхідності додавання нових класів за рахунок застосування гібридного підходу, включаючи аналіз зображень та їх текстових метаданих.
Актуальність теми дослідження полягає у потребі у розв’язанні задачі класифікації зображень за умов відсутності даних для навчання класифікатора. Задача класифікації зображень являє собою потребу в автоматичному розпізнаванні типів (класів) об’єктів на зображенні. Класичний підхід передбачає тренування моделі для ідентифікації визначеної сталої кількості класів об’єктів, і не передбачає розширення множини цих класів. Проте, таке розширення буває потрібним в багатьох сферах застосування класифікаторів, таких як електронна комерція, медицина тощо.
Конвенційне рішення для розширення множини класів класифікатора полягає у збиранні та маркуванні великої кількості даних для нового класу і повторному тренуванні моделі. Цей підхід має перевагу простоти, проте вимагає багато часу, спеціалізованих комп’ютерних ресурсів та ручної праці зі збору та розмітки даних.
Наявні рішення задачі класифікації, що дозволяють розширювати множину класів засновуються на великих мовних або мультимодальних моделях. Перевагою цих рішень є низький поріг входу для розширення множини класів. Недоліками цих методів є відносно довгий час роботи, дуже високі порівняно з конвенційними методами вимоги до спеціалізованих обчислювальних потужностей та нижча точність класифікації. Також, вибір даних моделей і способи їх розгортання обмежені в порівнянні з конвенційними моделями.
Отже, існує потреба у простіших з точки зору обчислення і ручної роботи методах класифікації зображень із можливістю розширювати множину класів, що матиме високу точність.
Дата реєстрації
2025-08-18
Додано/оновлено в НРАТ
2025-08-18 / 2026-07-01
