Пошук академічних текстів

Інформація × Реєстраційний номер 0225U002621, (0122U200629) , Науково-дослідна робота Назва роботи Машинне навчання та стандартні дескриптори ознак у розпізнаванні образів Назва етапу роботи Машинне навчання та стандартні дескриптори ознак у розпізнаванні образів Керівник роботи Фургала Юрій Михайлович, Кандидат фізико-математичних наук Дата реєстрації 23-03-2025 Організація виконавець Львівський національний університет імені Івана Франка Опис роботи Оцінка ефективності поєднання ознакових методів опису об’єктів з методами класифікації на основі машинного навчання та порівняння результатів з класичними методами розпізнавання. Розробка критеріїв їхнього оптимального поєднання. Опис етапу  Об’єкт дослідження: Методи детекції, опису та фільтрації відповідностей ключових точок на зображеннях, зокрема алгоритми SIFT, SURF, ORB, BRISK, у поєднанні з класичним методом RANSAC та адаптивними варіантами USAC. Порівняння алгоритмів виявлення ключових точок з методом опорних векторів та нейронними мережами. Дослідження впливу на колірні характеристики зображень різних спотворень (поворот, дисторсія, розмиття і накладання шумів). Мета роботи: аналіз ефективності методів детекції, опису ключових точок та фільтрації відповідностей. Дослідження можливості використання гістограм кольору, сформованих у колірних просторах HS* для ідентифікації (порівняння) зображень з накладеними на них спотвореннями. Методи досліджень: теоретичний аналіз сучасних алгоритмів, моделювання їхньої роботи за допомогою бібліотеки OpenCV та експериментальна оцінка ефективності на тестових наборах зображень. Кореляційний аналіз гістограм кольору оригінальних та спотворених зображень. Отримані результати. Показано, що метод SIFT забезпечує найвищу точність і стабільність, методи SURF і BRISK досягають балансу між точністю та швидкістю, а метод ORB демонструє найвищу швидкість, що є перевагою для обмежених ресурсів. Методи USAC_PROSAC і USAC_FAST мають найшвидшу обробку, тоді як метод USAC_MAGSAC забезпечує стабільність для складних задач. Метод RANSAC відзначився найвищою стабільністю, а оптимізація його параметрів покращила точність без втрат продуктивності. Методи на основі ключових точок у поєднанні з SVC забезпечують високу швидкість і є доцільними для застосування в умовах обмежених обчислювальних ресурсів. Нейронна мережа YOLOv5 пропонує вищу точність у складних візуальних сценаріях. Результати проведених досліджень дозволяють припустити допустимість використання гістограм кольору для ідентифікації зображень чи їх фрагментів навіть при досить високих ступенях їх спотворення завадами різної природи. Опис продукції Автори роботи Вдовиченко Віктор Мар'янович Вельгош Андрій Сергійович Лучка Василь-Тарас Ярославович Фесюк Андрій Вікторович Додано в НРАТ 2025-03-23 Закрити