Хорольська К. В. Інформаційна технологія розпізнавання графічної інформації на основі нейронної мережі

English version

Дисертація на здобуття ступеня доктора філософії

Державний реєстраційний номер

0823U101091

Облікова картка дисертації

0823U101091.pdf

Здобувач

Спеціальність

  • 122 - Комп’ютерні науки

Спеціалізована вчена рада

ДФ 26.055.050

Державний торговельно-економічний університет

Анотація

Дисертація є комплексним дослідженням з моделювання, розробки та застосування інформаційної технології розпізнавання графічної інформації на основі нейронної мережі. Актуальність теми дослідження обумовлюється факторами важливості розпізнавання графічної інформації, практичного застосування теоретичних основ розпізнавання графічної інформації на основі високоефективних рішень. На даному етапі розвитку практичного застосування теоретичних основ розпізнавання графічної інформації залишаються невирішеними проблеми: якісного виділення контурів; автоматизованого виділення об’єктів; варіабельності просторового розташування об’єктів та їх розпізнавання; практичного застосування методологічних розробок в розпізнаванні графічної інформації; якісної класифікації об’єктів розпізнавання. Розпізнавання візуальних образів є суттєвим компонентом автоматизованих та/або інтелектуальних систем управління та обробки інформації. Задачі, повʼязані з ідентифікацією і класифікацією обʼєктів та сигналів на основі обмеженого набору властивостей, є актуальними в галузях, таких як робототехніка, інформаційний пошук, моніторинг і аналіз візуальних даних, а також у дослідженнях штучного інтелекту. Алгоритмічна обробка та класифікація зображень застосовуються в системах безпеки, контролю доступу, віртуальній реальності та інформаційних пошукових системах. У звʼязку з розширенням використання систем віртуальної реальності та розвитком гейм індустрії, а також у звʼязку з тим, що створення тривимірних моделей передбачає попереднє перетворення двовимірних зображень, виникає питання про необхідність ефективного процесу перетворення 2D зображень у 3D моделі. Чималу роль у вирішенні зазначених проблем набуває створення програмних комплексів і математичного апарату, заснованих на застосуванні нейронних мереж, експертних систем і кібернетики. Особлива увага приділена штучним нейронним мережам (або просто нейронним мережам) – обчислювальним системам, що вчаться на даних спостережень за допомогою процесу оптимізації, коли параметри моделі ітеративно коригуються, щоб мінімізувати різницю між прогнозованим результатом і фактичним результатом. Нейронні мережі, і, зокрема, згорткові нейронні мережі (CNN- convolutional neural network), широко визнані своєю ефективністю в аналізі візуальних зображень. CNN – це клас моделей глибокого навчання, спеціально обладнаних для моделей глибокого навчання, спеціально обладнані для обробки 2D-зображень. Вони складаються з кількох шарів невеликих нейронних колекцій, що обробляють частини вхідного зображення, які називаються рецептивними полями. Результати цих колекцій потім розміщуються так, щоб вони накладалися один на одного для кращого представлення вихідного зображення, що є ключовою особливістю CNN. Крім того, вони інваріантні до перекладу, тобто вони мають здатність ідентифікувати об’єкт як однаковий, коли він з’являється в різних поданнях. Ці функції надають CNN здатність фіксувати складні шаблони в просторовій і часовій областях - аспект, який є ключовим у завданні 3D-реконструкції з 2D-зображень. Штучні нейронні мережі також мають перевагу в обробці зашумлених, неповних або неоднозначних даних - сценарій, який зазвичай зустрічається в задачах обробки зображень. Вони здатні витягувати значущі характеристики навіть із недосконалих даних (зашумлення, пропуски, дублікати, протиріччя), забезпечуючи таким чином надійність роботи моделі. На додаток до цього, нейронні мережі, а точніше CNN, мають здатність розпізнавати ієрархічні шаблони в даних. Наприклад, у завданнях обробки зображень вони можуть ідентифікувати краї та градієнти кольорів на нижчому рівні, а форми чи частини об’єкта – на вищому рівні. Ця функціональність має першочергове значення в таких завданнях, як 3D-реконструкція, які вимагають, щоб модель виявляла високорівневі особливості та зв’язки у 2D-зображеннях. Практична значимість наукових результатів. Спроєктована в роботі засобами CASE-технології ERwin інформаційна технологія розпізнавання графічної інформації на основі нейронної мережі, розпізнавання креслень та трансформації з визначеними зовнішніми впливами на неї та взаємодії процесів всередині системи дає можливість програмно реалізувати програмні застосунки для розв’язання завдань розпізнавання графічної інформації на основі нейронної мережі та перетворення інформаційних масивів із двовекторного простору у тривекторний. Розроблені алгоритми та архітектура програмного додатку, які базуються на створеній моделі класифікатора графічних зображень на основі покриттів класів та ЕК примітивів для підвищення ефективності навчання CNN, дозволяють в 1,5-2 рази зменшити обчислювальні витрати на навчання CNN та до 2 разів зменшити сумарну похибку навчання CNN, що забезпечує зменшення ресурсоємності та похибки розпізнавання графічної інформації на основі нейронної мережі та перетворення інформаційних масивів із двовекторного простору у тривекторний.

Читати повністю

Публікації

1. Khorolska K., Artificial intelligence face recognition for authentication./ Kryvoruchko, O., Bebeshko, B., Khorolska, K., Desiatko, A., Kotenko, N. (2020). Technical Sciences and Technologies, 2 (20), 139-148. https://stu.cn.ua/wp-content/uploads/2021/04/technical-sciences-and-technologies2.pdf

2. Khorolska, K. (2022). Потенціал застосування різних методів штучного інтелекту у задачі розпізнавання креслень та трансформації 2D→3D. Електронне фахове наукове видання "Кібербезпека: освіта, наука, техніка";, 1(17), 21-30. https://doi.org/10.28925/2663-4023.2022.17.2130

3. Khorolska, K. (2022). Аналіз основних методів розпізнавання креслень та можливостей трансформації з 2D У 3D. Електронне фахове наукове видання "Кібербезпека: освіта, наука, техніка" 4(16), 185-193. https://doi.org/10.28925/2663-4023.2022.16.185193

4. Хорольська К. Аналіз основних підходів до вирішення задачі конвертації двовимірних зображень в тривимірну модель Вісник КрНУ імені Михайла Остроградського. Випуск 3 / 2022 (134) DOI https://doi.org/10.32782/1995-0519.2022.3.7

5. Bebeshko, B., Khorolska, K., Kotenko, N., Desiatko, A., Sauanova, K., Sagyndykova, S., Tyshchenko, D. 3D modelling by means of artificial intelligence (2021) Journal of Theoretical and Applied Information Technology, 99 (6), pp. 1296-1308. http://www.jatit.org/volumes/Vol99No6/5Vol99No6.pdf

6. Khorolska K., Lazorenko V., Bebeshko B., Desiatko A., Kharchenko O., Yaremych V. (2022) Usage of Clustering in Decision Support System. In: Raj J.S., Palanisamy R., Perikos I., Shi Y. (eds) Intelligent Sustainable Systems. Lecture Notes in Networks and Systems, vol 213. Springer, Singapore. https://doi.org/10.1007/978-981-16-2422-3_49

7. Lakhno, V., Akhmetov, B., Smirnov, O., Chubaievskyi, V., Khorolska, K., Bebeshko, B. (2023). Selection of a Rational Composition of İnformation Protection Means Using a Genetic Algorithm. In: Rajakumar, G., Du, KL., Vuppalapati, C., Beligiannis, G.N. (eds) Intelligent Communication Technologies and Virtual Mobile Networks. Lecture Notes on Data Engineering and Communications Technologies, vol 131. Springer, Singapore. https://doi.org/10.1007/978-981-19-1844-5_2

8. Khorolska, K., Bebeshko, B., Desiatko, A., & Lazorenko, V. (2021). 3D models classification with use of convolution neural network. Paper presented at the CEUR Workshop Proceedings, 3179 25-34. http://ceur-ws.org/Vol-3179/Paper_3.pdf

9. Khorolska K. , Skladannyi P., Sokolov V., Korshun N., Bebeshko B., Lakhno V., Zhumadilova M (2022) Application of a convolutional neural network with a module of elementary graphic primitive classifiers in the problems of recognition of drawing documentation and transformation of 2D to 3D models. Journal of Theoretical and Applied Information Technology 31st December 2022. Vol.100. No 24 http://www.jatit.org/volumes/Vol100No24/18Vol100No24.pdf

10. Khorolska K. Use of AI in data protection/ Kryvoruchko O., Bebeshko B., Khorolska K. // Безпека ресурсів інформаційних систем : збірник тез I Міжнародної науково-практичної конференції (м. Чернігів 16-17 квітня 2020 р.). – Чернігів : НУЧП, 2020. – с.15-18

11. Бебешко Б.Т., Лазоренко В.В., Хорольська К.В. Безпека інтелектуальної системи управління цифровими активами за допомогою методу k-means при дослідженні видобутку даних // Кібергігієна. Кібербезпека. Безпека держави: матеріали наукових семінарів (Київ, 27 листопада 2020 р.)/відп. ред. АМ Десятко.–Київ: Київ. нац. торг.-екон. ун-т, 2020.–с.34-36 https://knute.edu.ua/file/MjExMzA=/d8e24930571c0d91476be247343bb902.pdf

12. Лазоренко В.В., Бебешко Б.Т., Хорольська К.В. Аналіз методів прогнозування кібератак // Комплексне забезпечення якості технологічних процесів та систем (КЗЯТПС – 2021) : матеріали тез доповідей XІ Міжнародної науково-практичної конференції (м. Чернігів, 26–27 травня 2021 р.) : у 2 т. / Національний університет «Чернігівська політехніка» [та ін.] ; відп. за вип.: Єрошенко Андрій Михайлович [та ін.]. – Чернігів : НУ «Чернігівська політехніка», 2021. – Т. 2. – 236 с. ISBN 978-617-7932-16-0

13. Khorolska K. 3D Model reconstruction using convolutional neural networks for 2D image processing. Proceedings of the VI International Scientific and Practical Conference. Osaka, Japan. 2023. Pp.457-459 DOI: 10.46299/ISG.2023.1.6

14. Khorolska Karyna VR-technology as a modern architecture tool. Management of Development of Complex Systems / Tsiutsiura, Svitlana, Bebeshko, Bohdan, & Khorolska, Karyna, (2020). Management of Development of Complex Systems, 42, 69 – 74, dx.doi.org\10.32347/2412-9933.2020.42.69-74

15. Хорольська К. В. UX-дизайн інформаційної системи підприємства торгівлі. / Котенко Н.О., Жирова Т.О., Десятко А.М., Хорольська К.В., Бебешко Б.Т., Тогжанова К.О. // Вісник Кременчуцького національного університету імені Михайла Остроградського. 2020. Вип. № 3 (122). С. 107–112. DOI: 10.30929/1995-0519.2020.3.67-74

16. Tetiana Zhyrova, Nataliia Kotenko, Volodymyr Tokar, Karyna Khorolska, Bohdan Bebeshko, (2021) Testing the Accessibility of Web-applications The International Scientific Journal «Computer Systems and Information Technologies» 2021, #3 DOI: https://doi.org/10.31891/CSIT-2021-5-12

17. Lakhno V., Akhmetov B., Ydyryshbayeva M., Bebeshko B., Desiatko A., Khorolska K. (2021) Models for Forming Knowledge Databases for Decision Support Systems for Recognizing Cyberattacks. In: Vasant P., Zelinka I., Weber GW. (eds) Intelligent Computing and Optimization. ICO 2020. Advances in Intelligent Systems and Computing, vol 1324. Springer, Cham. https://doi.org/10.1007/978-3-030-68154-8_42

18. Lakhno, V., Mazaraki, A., Kasatkin, D., Kryvoruchko, O., Khorolska, K., Chubaievskyi, V. (2023). Models and Algorithms for Optimization of the Backup Equipment for the Intelligent Automated Control System Smart City. In: Ranganathan, G., Fernando, X., Rocha, Á. (eds) Inventive Communication and Computational Technologies. Lecture Notes in Networks and Systems, vol 383. Springer, Singapore. https://doi.org/10.1007/978-981-19-4960-9_57

19. Zhyrova, T., Kotenko, N., Bebeshko, B., Khorolska, K., Shevchenko, S.(2022) Benchmarking between the DQL Index and the Web Application Accessibility Index using Automatic Test Tools CEUR Workshop Proceedings, 2022, 3288, pp. 110–116 https://ceur-ws.org/Vol-3288/short8.pdf

20. Khorolska K. Cyberattacks prediction with incomplete data/ Bebeshko B., Khorolska K. // Безпека соціально-економічних процесів в кіберпросторі: зб. матеріалів Всеукр. наук.-практ. конф. (Київ, 27 бер. 2019 р.). – Київ : Київ. нац. торг.-екон. ун-т, 2019. – с.123-125

21. Khorolska K. Usage of neural networks in image recognition / O. Kryvorychko, K. Khorolska, V. Chubaevskyi. // Зовнішня торгівля: економіка, фінанси, право. – 2019. – №3 (104). – С. 83–85. http://zt.knute.edu.ua/files/2019/03(104)/9.pdf

22. Bebeshko, B., Khorolska, K., Kotenko, N., Kharchenko, O., & Zhyrova, T. (2021). Use of neural networks for predicting cyberattacks. Paper presented at the CEUR Workshop Proceedings, 2923 213-223. http://ceur-ws.org/Vol-2923/paper23.pdf

Читати повністю

Файли

autoreferat-АНОТАЦІЯ_Хорольська.pdf

editrequest-Рішення_Хорольська.pdf

дисертація_Хорольська фінал 18-09-2023 (1).pdf

Схожі дисертації

0824U001153

Ткачик Олександр Андрійович

Методи та засоби кластеризації різнотипових даних

0824U001143

Чен Цзє ..

Моделі та методи оцінювання конкурентоспроможності освітньої діяльності університетів в умовах цифрової трансформації.

0824U001146

Худоба Богдан Петрович

Методи та засоби аналізу параметрів оператора з використанням комп’ютерних тренажерів

0824U001134

Чжоу Хуань ..

Моделі та методи компетентнісно-орієнтованого управління людськими ресурсами освітніх проєктів.

0824U001104

Лі Мін ..

Моделі, методи та інформаційні технології вибору методології управління міжнародними освітніми проектами