Пошук академічних текстів

Інформація × Реєстраційний номер 2125U002824, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Моделі комп’ютерного зору для аналізу зображень з фото пасток Автор Салоід Софія ЄвгенівнаSaloid Sofiya Yevhenivna Дата публікації 01-01-2025 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/75828 Видання Київ Опис Дипломна робота: 87 с., 8 рис., 13 табл., 16 посилань, 1 додатки. Дипломна робота присвячена створенню ефективної системи автоматичної класифікації тварин на зображеннях із фотопасток із використанням сучасних моделей глибинного навчання. Об’єктом дослідження виступає процес розпізнавання фауни у польових умовах, а предметом – методи, моделі та архітектури комп’ютерного зору, алгоритми попередньої обробки й фільтрації даних. В якості основного набору даних використовується Caltech Camera Traps (CCT20) – репрезентативний датасет, що містить понад 57 тисяч фотографій із фотопасток, зроблених у природних умовах. Зображення охоплюють 20 видів тварин і включають як якісні, так і складні для автоматичної обробки приклади: різноманітні фони, погодні умови, час доби, частку «порожніх» кадрів без тварин і виражений класовий дисбаланс. Метою роботи є розробка та аналіз підходів до класифікації тварин із використанням сучасних архітектур у поєднанні з методами фільтрації (зокрема MegaDetector), балансування вибірки та трансферного навчання. Побудовано повний pipeline: від підготовки даних і навчання моделей до тестування на реальних зображеннях. Результати дослідження показали, що поєднання сучасних моделей із якісною підготовкою даних дозволяє покращити точність автоматичного моніторингу біорізноманіття, зменшити вплив «шуму» та ефективно використовувати обчислювальні ресурси в екологічних дослідженнях. Bachelor's thesis: 87 p., 8 figures, 13 tables, 16 references, 1 appendixes. This thesis is dedicated to the development of an efficient system for automatic animal classification in camera trap images using modern deep learning models. The object of the research is the process of wildlife recognition in field conditions, while the subject includes computer vision methods, models and architectures, data preprocessing and filtering algorithms. As the primary dataset, the study uses Caltech Camera Traps (CCT20) – a representative dataset containing over 57,000 camera trap images collected in natural environments. The images cover 20 animal species and include both high-quality and challenging examples for automated processing: diverse backgrounds, weather conditions, time of day, a significant share of “empty” frames, and pronounced class imbalance. The aim of the work is to develop and analyze approaches to animal classification using modern architectures in combination with filtering methods (in particular, MegaDetector), dataset balancing, and transfer learning. A complete pipeline has been implemented — from data preparation and model training to testing on real images. The results demonstrate that combining modern models with proper data preparation improves the accuracy of automatic biodiversity monitoring, reduces the impact of noise, and enables more efficient use of computational resources in ecological research. Додано в НРАТ 2025-11-05 Закрити