Вісники та науково-технічні збірники, журнали

Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/12

Browse

Subject: search.filters.subject.deep learning

Search Results

Now showing 1 - 5 of 5
  • Thumbnail Image
    Item
    System for determining the sound source coordinates
    (Видавництво Львівської політехніки, 2023-03-01) Artemuk, Serhii; Mykytyn, Ihor; Lviv Polytechnic National University
    The authors investigated the effect of changes in the acoustic signal propagation speed and the accuracy of sensor positioning on the accuracy of sound source localization. The mean absolute error grows with the displacement of the microphones relative to the nominal coordinates (X, Y). The same trend is observed with an increase in the actual acoustic signal velocity deviation from the velocity under normal environmental conditions. The authors propose two ways to reduce the error caused by these factors. The first method is to introduce a correction factor for the speed of the acoustic signal. The second method is to reduce the distance between the system's sensors. This makes it possible to place them more accurately relative to each other.
  • Thumbnail Image
    Item
    Дослідження моделей для розпізнавання жестів з використанням 3D конволюційних нейронних мереж та візуальних трансформерів
    (Видавництво Львівської політехніки, 2023-02-28) Чорненький, В. Я.; Казимира, І. Я.; Chornenkyi, V. Ya.; Kazymyra, I. Ya.; Національний університет “Львівська політехніка”; Lviv Polytechnic National University
    У роботі розглядається актуальне завдання розпізнавання жестів з метою реформування способів до навчання військових, способів комунікації людини та машини та вдосконалення взаємодії людини-людини та людини-машини для осіб з обмеженими можливостями. Проаналізовано методи для розпізнавання жестів руки на основі компʼютерного зору, а також з використанням глибокого навчання. Описано принципи роботи моделей з використанням 3D конволюційних нейронних мереж та трансформерів, наведено їх структурні схеми та проаналізовано особливості функціонування складових. У межах 3D-CNN архітектури розглянуто конволюційну нейронну мережу з двома конволюційними шарами та двома шарами групування. Кожна 3D згортка отримується шляхом згортки ядра 3D-фільтра і складання декількох суміжних кадрів разом для отримання 3D-куба. У межах ViT архітектури розглянуто візуальний трансформер з Linear Projection, Transformer Encoder, двома підшарами: шар Multi-head SelfAttention (MSA) та шаром прямого поширення, також відомим як Multi-Layer Perceptron (MLP). На підставі досліджених архітектур проведено навчання моделей з використанням ASL та NUS-II наборів даних та розглянуто їх ефективність після 20 навчальних епох на основі показників відтворення, точності та F1-оцінки. Визначено вплив тривалості навчання на ефективність моделі з використанням ViT архітектури після 20 та 40 навчальних епох. Продемонстровано, в яких ситуаціях 3D конволюційні нейронні мережі та візуальні трансформери показують кращі результати точності, та обмеження, притаманні кожному підходу в умовах варіативності середовища та обчислювальних потужностей. Отримали подальший розвиток інноваційні архітектури для розпізнавання жестів руки з використанням глибокого навчання для майбутніх досліджень та реалізацій у програмних продуктах.
  • Thumbnail Image
    Item
    Covid-19 Diagnosis Using Deep Learning From X-Ray and CT Images – Overview
    (Видавництво Львівської політехніки, 2023-02-28) Michalska-Ciekańska, Magdalena; Boyko, Oksana; Lublin University of Technology; Danylo Halytsky Lviv National Medical University
    Since the outbreak of the pandemic in 2019, Covid-19 has become one of the most important topics in the field of medicine. This disease, caused by the SARS- CoV-2 virus, can lead to serious respiratory diseases and other complications. They can even lead to death. In recent years, the number of Covid-19 cases around the world has increased significantly, resulting in the need for rapid and effective diagnosis of the disease. Currently, the use of deep learning in medical diagnostics is becoming more and more common. It provides the high diagnostic efficacy that scientists, doctors and patients care about. During the Covid-19 diagnostic procedure, most clinicians order images from X- ray and CT to be taken from patients. It is the analysis of these images that gives a full diagnosis. In this article, we will discuss the use of deep neural networks in the diagnosis of Covid-19, especially using chest images taken from X-ray and CT.
  • Thumbnail Image
    Item
    Comprehensive analysis of few-shot image classification method using triplet loss
    (Видавництво Львівської політехніки, 2022-03-01) Баранов, Микола; Щербина, Юрій; Baranov, Mykola; Shcherbyna, Yurii; Львівський національний університет ім. Івана Франка; Ivan Franko National University of Lviv
    Задача класифікації зображень є дуже важливою сучасною проблемою в області комп’ютерного зору. Перші підходи до розв’язання цієї задачі полягали у використанні класичних алгоритмів. Незважаючи на певний прогрес, отриманий класичними підходами, більшість складніших задач класифікації зображень залишались нерозв’язаними до початку використання алгоритмів машинного навчання. Перші спроби застосування машинного навчання до задачі розпізнавання зображень допомогли класифікувати набори ознак, які опрацювати прямими алгоритмами не вдавалось. Проте видобування множини ознак залишалося за прямими алгоритмами тривалий час. Нещодавний прогрес у сфері глибокого навчання відкрив можливість побудови систем автоматичного видобування множини ознак. Це зумовило значний прогрес у області комп’ютерного бачення і не тільки. Обробка великомасштабних наборів даних призвела до прориву у задачах розпізнавання зображень. Проте з’явилося нове обмеження– залежність від кількості наявних проанотованих даних. Методи глибинного навчання для задачі класифікації зображення зазвичай потребують великої кількості проанотованих зображень. І більше, сучасні моделі схильні до неочікуваної поведінки на наборах даних з іншого домена (нових класів у випадку розпізнавання зображень). Методи навчання на малому наборі даних дозволяють під час тренування глибоких нейронних мереж використовувати значно менше даних, зберігаючи таку саму точність розпізнавання. Незважаючи на це, залишається компроміс між кількістю наявних даних та точністю моделі. В цій роботі ми побудували сіамську нейронну мережу на основі функції втрат трійки і дослідили, як наявна кількість даних впливає на точність розпізнавання сіамської нейронної мережі. Ми порівняли моделі, отримані навчанням на основі метрик, та базову модель, натреновану на великомасштабних наборах даних.
  • Thumbnail Image
    Item
    Розпізнавання ушкодженого лісу за допомогою згорткових моделей при дистанційному зондуванні
    (Видавництво Львівської політехніки, 2021-10-10) Русин, Б. П.; Луцик, О. А.; Косаревич, Р. Я.; Обух, Ю. В.; Rusyn, B. P.; Lutsyk, O. A.; Kosarevych, R. Ya.; Obukh, Yu. V.; Фізико-механічний інститут ім. Г. В. Карпенка НАН України; Karpenko Physico-mechanical Institute of the NAS of Ukraine
    Детально розглянуто проблему всихання лісів, яка останніми рокамии набула неконтрольованого характеру. Проаналізовано основні причини пошкодження лісу, серед яких найвідоміші – зміна клімату, хвороби та шкідники. Наведено втрати лісового господарства внаслідок захворювань дерев, масштабних та поширених і в інших країнах. Вирішити ці проблеми можливо за умови якісного моніторингу із залученням засобів автоматизованого дистанційного зондування та сучасних методів аналізу зображень, зокрема й підходів штучного інтелекту, таких як нейронні мережі та глибинне навчання. Запропоновано підхід до автоматичної локалізації та розпізнавання дерев, уражених всиханням, що має велике практичне значення для екологічного моніторингу та лісництва. Для розпізнавання та локалізації ушкодженого лісу розроблено згорткову модель глибинного навчання із використанням бібліотек tensorflow та keras. Ця модель складається із мережі детектора та окремої мережі класифікатора. Для навчання та перевірки запропонованої мережі на підставі зображень, отриманих засобами дистанційного зондування, створено навчальну базу даних, яка містить 8500 зображень. Здійснено порівняння запропонованої моделі з наявними методами на підставі таких характеристик, як точність та швидкодія. Оцінено точність та швидкодію запропонованої системи розпізнавання на валідаційній вибірці зображень, розмір якої становить 1700 зображень. Здійснено оптимізацію моделі для практичного використання з CPU та GPU за рахунок псевдоквантування під час навчання. Це допомагає розподілити значення ваг під час навчання і наблизити їх вигляд до рівномірного закону розподілу, що дає змогу ефективніше застосовувати квантування до вихідної моделі. Також встановлено середню тривалість роботи алгоритму. В середовищі Visual C++ на підставі запропонованої моделі створено експертну програму, яка дає змогу здійснювати екологічний моніторинг та аналіз сухих лісів у польових умовах у режимі реального часу. Під час розроблення програмного забезпечення використано такі бібліотеки, як OpenCV та Direct, код підтримує стандарти об’єктно-орієнтованого програмування. Результати роботи та запропоноване програмне забезпечення можуть бути використані в системах дистанційного моніторингу і класифікації для екологічного моніторингу та для вирішення прикладних завдань лісівництва.