Вісники та науково-технічні збірники, журнали
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/12
Browse
4 results
Search Results
Item Інформаційна підтримка процесів соціалізації особистості на основі спільних інтересів(Видавництво Львівської політехніки, 2022-03-01) Батюк, Тарас; Висоцька, Вікторія; Batiuk, Taras; Vysotska, Victoria; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityСтворено проєкт інформаційної системи для соціалізації за особистими інтересами на основі SEO-технологій та методів машинного навчання. Основна мета цієї інформаційної системи – ідентифікація користувача в системі за допомогою нейронних мереж і вибір подібних користувачів на підставі аналізу поточної інформації користувача. Створено інформаційну систему, яка за допомогою токенів Identity та JWT забезпечує оптимізовані та безпечні функції авторизації, реєстрації та підтримки поточного сеансу користувача системи. Пошук обличчя на фотографії користувача та перевірку наявності подібного користувача в базі даних реалізовано за допомогою згорткових і сіамських нейронних мереж. Аналіз та формування подібних гудків користувачів реалізовано за допомогою алгоритмів нечіткого пошуку, алгоритму Левенштейна та моделі Noisy Channel, що дало змогу максимально автоматизувати вибір користувача та оптимізувати час, витрачений на цей процес. Також створено інструменти для перегляду профілів інших користувачів, уподобань та особистого листування. Уся приватна кореспонденція та інформація про неї зберігаються в поточній базі даних. Кожен користувач інформаційної системи може переглянути всю інформацію про надіслані та отримані повідомлення. Створена інформаційна система реалізує ідентифікацію користувачів, аналіз, відбір та подальшу соціалізацію користувачівItem Синтез біомедичних зображень на підставі генеративно-змагальних мереж(Видавництво Львівської політехніки, 2019-09-26) Березький, О. М.; Лящинський, П. М.; Лящинський, П. М.; Сухович, А. Р.; Долинюк, Т. М.; Berezsky, O. M.; Liashchynskyi, P. B.; Liashchinskyi, P. B.; Sukhovych, A. R.; Dolynyuk, T. M.; Тернопільський національний університет; Ternopil National UniversityДосліджено сучасні бази даних біомедичних зображень. Показано, що отримання біомедичних зображень є дорогим і тривалим. Розроблено базу даних зображень передракових і ракових станів молочної залози "BPCI2100". База даних складається із 2100 файлів зображень та MySQL бази даних інформації медичних досліджень (інформація про пацієнта та ознаки зображення). З'ясовано, що ефективним засобом генерування зображень є генеративно-змагальні мережі. Розроблено архітектуру генеративно-змагальної мережі, яка складається із генератора та дискримінатора. Дискримінатором є глибока згорткова нейромережа, на вхід якої надходять кольорові зображення розміром 128×128 пікселів. Ця мережа складається з шести згорткових шарів із розміром вікна 5×5 пікселів. Використано функцію активації типу Leaky ReLU для згорткових шарів. Для останнього шару використано сигмоїдну функцію активації. Генератором є нейромережа, яка складається з повнозв'язного шару та семи деконволюційних шарів з розміром вікна 5×5 пікселів. Для всіх шарів використано функцію активації Leaky ReLU. Останній шар використовує функцію активації гіперболічний тангенс. Для навчання генеративно-змагальної мережі використано засоби Google Cloud Compute Instance. Проведено генерування гістологічних і цитологічних зображень на підставі генеративно-змагальної мережі. Внаслідок значно збільшено навчальну вибірку для класифікаторів. Оригінальні гістологічні зображення поділені на 5 класів, цитологічні зображення – на 4 класи. Розмір оригінальної вибірки для гістологічних зображень становить 91 зображення, для цитологічних - 78 зображень. Навчальні вибірки було розширено до 1000 зображень шляхом афінних перетворень (зсув, масштабування, поворот, відображення). Навчання класифікатора на оригінальній вибірці дало точність ≈84 % для гістологічних та ≈75 % для цитологічних зображень. На вибірці зі згенерованих зображень вихідна точність класифікації становить ≈96,5 % для гістологічних та ≈95,5 для цитологічних зображень. Приріст точності становить ≈12 % для гістологічних та ≈20,5 % для цитологічних зображень. Проведена класифікація гістологічних і цитологічних зображень показала, що приріст точності класифікації становить ≈12 % для гістологічних та ≈20,5 % для цитологічних зображень. Комп'ютерні експерименти показали, що тривалість навчання генеративно-змагальної мережі для гістологічних зображень становить ≈9 год, для цитологічних- ≈8,5 год. Перспективами подальших досліджень є розпаралелення алгоритмів навчання генеративно-змагальних мереж.Item Методи пошуку та розпізнавання об’єктів у відеозображеннях на мобільній платформі IOS в реальному часі(Видавництво Львівської політехніки, 2019-03-01) Кушнір, Д. О.; Парамуд, Я. С.; Kushnir, D.; Paramud, Y.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityДосліджено особливості найпоширеніших методів і систем пошуку та розпізнавання об’єктів у відеозображеннях. За результатами дослідження показано доцільність побудови засобів пошуку та розпізнавання для платформи iOS у реальному часі. Запропоновано метод функціональної адаптації алгоритму пошуку та розпізнавання об’єктів до особливостей відеозображень, який полягає в опрацюванні відеозображення згладжуючим та мінімізаційним фільтрами, що забезпечує зменшення часу пошуку та розпізнавання об’єктів. Розроблено базову структурну схему таких засобів та алгоритм функціонування. Розроблено алгоритмічнопрограмні засоби для розв’язання завдання на знаходження та оперативне розпізнавання об’єктів у режимі реального часу мовою Swift під мобільну платформу iOS. Використано особливості згорткової нейронної мережі з архітектурою YOLOv3 та фреймворку для роботи з нейронними мережами під мобільні додатки CoreML. Запропоновано метод поліпшення роботи такої нейронної мережі, який оснований на квантизації вагових коефіцієнтів нейромережі та забезпечує мінімізацію розміру моделі та часу пошуку її об’єктів. Досліджено значення частоти оброблення кадрів зображень із використанням запропонованої моделі YOLOv3-KD та моделей нейронних мереж типу YOLOv3-tiny та YOLOv3-416. Доведено можливість функціонування запропонованих засобів у режимі реального часу.Item Метод розпізнавання символів на зображенні на основі згорткової нейронної мережі(Видавництво Національного університету “Львівська політехніка”, 2018-02-26) Парамуд, Я. С.; Яркун, В. І.; Paramud, Y.; Yarkun, V.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityРозроблено метод розпізнавання тексту - рукописного чи друкованого - на зображенні. Метод грунтується на емпіричному опрацюванні зображень у статистичних моделях машинного навчання та функціонування. Він забезпечує ефективне розв’язання задач двох класів: виявлення тексту на зображенні та розпізнавання тексту. Розроблено алгоритмічні підходи, що об’єднують ці два класи задач. Алгоритмічно-програмні засоби створено та протестовано для операційної системи iOS 11.0 та нових пристроїв компанії Apple – iPhone, iPad, які підтримують цю операційну систему. Емпірично встановлено, що запропонований метод та розроблені засоби можуть бути застосовані у нових пристроях компанії Apple: iPhone, iPad, які підтримують основні особливості операційної системи iOS.