Сучасні системи комп'ютерного зору потребують дієвих класифікаційних рішень на підгрунті вивчення природи оброблюваних даних. Статистичні розподіли на цей час є досконалим засобом подання та аналізу візуальних даних у системах розпізнавання образів. Якщо опис розпізнаваного об'єкту представлено множиною векторів, статистичний апарат стає фундаментальним для прийняття класифікаційного рішення. Вивчення розподілів даних у складі системи блоків для дескрипторів ключових точок показали свою результативність у аспекті забезпечення потрібних показників якості класифікації та швидкодії оброблення. Виникає необхідність поглибленого вивчення статистичних властивостей для множини дескрипторів у аспекті головного фактору - розрізнення багатовимірних даних задля класифікації. Особливе значення набуває ця задача при побудові нових ефективних просторів ознак, наприклад, шляхом агрегування множини дескрипторів за їх складовими компонентами, в тому числі за окремими бітами. Для цього природнім є напрацьоване використання апарату статистичних критеріїв, призначених для порівняння параметрів розподілу досліджуваних вибірок. Незважаючи на широке застосування і прикладну результативність апарату дескрипторів для класифікації зображень, до цих пір залишається не дослідженим статистичне підгрунтя цих методів при впровадженні їх у агрегованих системах ознак візуальних даних і вибір ефективних засобів для оцінювання їх дієвості для розрізнення реальних зображень у прикладних базах даних. Мета роботи - розроблення ефективного за швидкодією методу результативної класифікації зображень шляхом впровадження агрегованих статистичних ознак для складу компонентів опису. Метод. Запропоновано метричний класифікатор зображень на основі агрегації ознак для множини дескрипторів опису із використанням статистичних критеріїв щодо оцінювання значущості класифікаційного рішення. Результати. Здійснено синтез методу класифікації на підставі впровадження агрегованих статистичних ознак для множини дескрипторів опису зображення. Підтверджено працездатність і ефективність розробленого класифікатора. На прикладах застосування варіантів методу для системи ознак реальних зображень експериментально оцінена його результативність. Висновки: проведене дослідження дає можливість оцінити прикладну ефективність застосування апарату дескрипторів ключових точок зображення і побудови на його основі агрегованої системи ознак для результативного здійснення класифікації візуальних об'єктів. Дослідження показало, що наявної інформації у вигляді бітового подання дескрипторів опису достатньо для значущого статистичного розрізнення описів візуальних об'єктів. Аналіз пар і інших блоків для бітів дескрипторів дає перспективну можливість скорочення часу оброблення. Наукова новизна - розроблення методу класифікації зображень на підставі системи інтегрованих статистичних ознак для структурного опису, підтвердження результативності методу та значущості створеної системи ознак при класифікації у межах бази зображень. Практична значущість - підтвердження працездатності та результативності запропонованих методів.

За результатами аналізу літературних джерел встановлено, що перспективним напрямком пошуку та розпізнавання об'єктів є сімейство моделей Yolo. Проте існуючі реалізації не підтримують можливості запуску моделі на платформі iOS. Для досягення таких цілей розроблено комплексну масштабовану систему конвертації та покращання точності розпізнавання довільних моделей на базі системи Docker. Методика покращання полягає у додаванні до оригінальної моделі додаткового шару з функцією активації Mish. Методика конвертації полягає у оперативному перетовренні довільної моделі Yolo у формат CoreML. У межах дослідження даних методик, створено модель нейронної мережі (НМ) Yolov4-TCAR. Розроблено метод акселерації навантаження на CPU при використанні додаткового шару НМ із функцією активації Mish на мові Swift під мобільну платформу iOS. В результаті, дослідженно ефективність функції активації Mish, навантаження CPU мобільного пристрою, кількість використаної оперативної пам'ятті та частоту кадрів при використані поліпшенної оригінальної моделі Yolov4-TCAR. Результати досліджень підтвердили функціонування алгоритму конвертації та покращання точості моделі НМ у реальному часі.

Ідентифікація об'єктів із зображенням дронів - одне з найсучасніших завдань для штучних нейронних мереж. Оскільки дрони завжди переміщуються на різній висоті, масштаб об'єкта сильно варіюється, що ускладнює оптимізацію мереж. Більше того, політ на великих швидкостях і малих висотах призводить до нечіткого зображення густонаселених об'єктів під час руху, що є проблемою під час вирішення завдання розпізнавання та класифікації невеликих за розміром об'єктів. У роботі розглянуто розв'язання вищевказаних проблем і вони вирішуються шляхом застосування додаткової моделі прогнозування для ідентифікації об'єктів різного масштабу. Автори також модифікують функцію втрат, щоб більші об'єкти ставити у невигідне становище і навпаки, щоб стимулювати розпізнавання дрібніших об'єктів. Щоб досягти покращень, використовують передові методи, такі як багатомасштабне тестування, розмиття зображення, поворот об'єкта та спотворення даних. Експерименти з великим набором даних показують, що розглянута модель добре працює на зображеннях дронів. У порівнянні з базовою моделлю (YOLOv5) розглянута модель демонструє значні покращання у розпізнаванні та класифікації об'єктів.

Досліджено особливості логічних (ЛДК) та алгоритмічних (АДК) дерев класифікації, деякі питання їх застосування в задачах інтелектуального аналізу даних, розпізнавання образів шляхом створення ефективних моделей класифікації й аналізу великих масивів даних, універсальних систем розпізнавання дискретних об'єктів. Проаналізовано та досліджено деревоподібні моделі класифікації різних типів. Розроблено комплексний метод побудови деревоподібних моделей класифікації, який базується на поетапній апроксимації масиву початкових даних навчальної вибірки (НВ) набором відібраних та оцінених незалежних алгоритмів розпізнавання. Розроблено метод Т - опорних множин, який полягає у відборі, фіксації набору ознак разом зі своїми значеннями - класифікаторів у структурі ЛДК. Розроблено моделі та методи побудови структур АДК двох типів, де одержані дерева класифікації складаються з різних алгоритмів і методів розпізнавання й у свою чергу представляють собою нові алгоритми, схеми класифікації. Розроблено модель і метод побудови обмежених структур АДК, які спрямовані на добудову лише тих шляхів, ярусів конструкції дерева класифікації, де є найбільша кількість помилок усіх типів класифікації. Розроблено методи знаходження подібності конструкцій логічних дерев у задачах мінімізації їх структур. Здійснено числову оцінку впливу процедури обрізки побудованого ЛДК - перестановки ярусів, рівнів, блоків структури ЛДК у конструкції регулярного логічного дерева на його загальну складність. Здійснено оцінку збіжності процедури побудови моделей дерев класифікації, запропонованих в дослідженні структур АДК для умов слабкого та сильного розділення класів початкової НВ.

Здійснено опис розробленої інформаційної технології для задач розпізнавання будівель на знімках дистанційного зондування Землі високої роздільної здатності та верифікації результатів розпізнавання. Проаналізовано сучасні підходи до розпізнавання будівель. Запропонована технологія заснована на аналізі гістограм та сегментації в просторі ознак. Для верифікації результатів розпізнавання розроблено методики на основі геометричного аналізу, тіньового аналізу та використання метаданих. Результатом роботи є векторний файл, який містить розпізнані багатокутні об'єкти.

Рассмотрена задача использования информативности мониторинговых признаков сигнатуры объектов мониторинга для конкретных условий решения прикладных задач распознавания. Исследован предложенный подход к построению математической модели сигнатуры определения объектов мониторинга путем учета изменения величины разницы между вероятностями распознавания объектов мониторинга.

Увагу приділено вирішенню важливої науково-технічної проблеми забезпечення завданого рівня достовірності обробки неоднорідних даних в складних системах при одночасному зменшенні кількості співставлень даних, що надаються для обробки і, як наслідок, зменшення часової складності процесу аналізу. Зауважено, що вказана проблема була викликана наступним протиріччям. З одного боку, збільшення кількості інформаційних ознак та використання більш складних алгоритмів дозволяє отримати підвищення достовірності результату аналізу, але, з іншого боку, це призводить до збільшення часової складності процесу аналізу даних та прийняття рішення. Аналіз і дослідження в предметній області дозволили вдосконалити матричну інформаційну модель складної системи, а також розробити принцип консолідації неоднорідних даних для забезпечення швидкої та достовірної переробки даних в складних системах з різнорідними проявами завад та викривлень. Розроблено методи визначення інформативності образів, а також їхньої селекції та ранжування для виключення з аналізу тих даних, що за поточних зовнішніх умов є неінформативними, а також побудови черги даних для баготопоточної обробки в режимі реального часу. Розроблено методи, модель та інформаційну технологію гібридного розпізнавання образів, які дозволяють забезпечити завданий рівень достовірності класифікації стану складної системи при одночасному зменшенні кількості співставлень даних. Розроблено інформаційну модель підтримки прийняття рішень для визначення остаточної класифікації у випадку багатоальтернативного результату аналізу. Розроблено й апробовано прикладні інформаційні технології аналізу просторового розподілу температури коксового пирога для коксохімічного виробництва, ультразвукового вимірювання відстані для засобів автоматики та визначення ступеня унікальності текстових даних, в яких використання запропонованих моделей і методів дозволило підвищити достовірність отримуваного результату аналізу. Зазначено, що розроблені моделі, методи та інформаційна технологія можуть бути використані для організації обробки неоднорідних даних в складних системах будь-якого прикладного застосування, у разі можливості отримання ознак різної природи виникнення.

Для сокращения размерности данных в задачах распознавания и диагностирования на основе хэширования возникает необходимость сокращение временных затрат на формирование хэширующего преобразования. Цель работы - уменьшение временных затрат на сокращение размерности данных путем создания метода хэширования, не требующего решения оптимизационной задачи поиска наилучшего случайного преобразования, а также уменьшение потерь локальных свойств признакового пространства. Предложен метод формирования хэша, который переводит координаты экземпляров из исходной системы признаков в многомерную полярную систему координат, на основе которых, дискретизируя полярные координаты, с помощью эвристик различным способами кодирует и комбинирует значения дискретизированных полярных координат, формируя хэши экземпляров, из которых в качестве результирующего преобразования выбирает наилучшее в системе заданных критериев на основе минимизации числа коллизий, при которых экземпляры разных классов и разными значениями исходных признаков, получают одинаковые хэши. Это позволяет автоматизировать формирование хэширующих преобразований, исключить необходимость решения оптимизационных задач перебора случайных проекций, обеспечив сокращение затрат времени, а также делает хэширующее преобразование более свободным от навязывания данным разбиения признакового пространства, неприсущей им природы, что позволяет повысить обобщающие свойства и точность преобразований. Предложены критерии оценивания качества хэширующих преобразований, включающие определение числа позитивных и негативных коллизий, а также оценивания на их основе вероятностей соответствующих коллизий. Это позволяет автоматизировать анализ и выбор хэширующих преобразований для сокращения размерности данных в задачах распознавания и диагностирования. Проведено экспериментальное исследование, подтвердившее работоспособность предложенных методов при решении практических задач. Выводы: разработанное математическое обеспечение может быть рекомендовано для решения задач сокращения размерности данных.

Запропоновано методику розпізнання архітектурних об'єктів при створенні мобільних додатків доповненої реальності на основі побудови бази спеціалізованих маркерів. На підставі аналізу методів технології доповненої реальності для розпізнавання архітектурних об'єктів обрано метод, заснований на спеціальних маркерах. Виділено ряд алгоритмів розпізнавання образів, що підходять для даного завдання. Це алгоритми, засновані на виборі ключових точок зображень і їх дескрипторів. Мета роботи - створення методики, яка забезпечує стабільне розпізнавання архітектурних об'єктів в мобільних додатках для створення цифрового гіда доповненої реальності на основі спеціалізованих маркерів. Науковою основою дослідження є системний підхід при аналізі розглянутих алгоритмів розпізнавання маркерів, використовуються машинне навчання для розробки бази даних зображень маркерів і розпізнавання АТ. Методика складається з наступних етапів: обробка зображень архітектурних об'єктів із метою виділення опорних точок, отримання опису виділених опорних точок у вигляді дескрипторів, створення AR-метаданих, які відповідають архітектурним об'єктам, організація спільного зберігання в локальній базі дескрипторів і відповідних їм метаданих, візуалізація архітектурного об'єкта і AR-метаданих. Для реалізації етапів обробки зображень архітектурних об'єктів і отримання дескрипторів опорних точок, проаналізовано алгоритми виділення опорних точок на зображеннях, такі як SIFT, MSER, SURF, RIFF, RF. Показано, що дані алгоритми є інваріантними до масштабування, обертання, а також стійкими до змін освітленості, шуму та кута перегляду. Запропоновано комплексне їх використання для обробки архітектурних об'єктів із метою отримання дескрипторів опорних точок. Для забезпечення стабільного розпізнавання АТ відповідно до розробленої методики, заснованої на машинному навчанні для обробки архітектурних об'єктів із метою отримання дескрипторів ключових точок, запропоновано створити додатковий модуль із використанням упорядкованого стека алгоритмів, в якому послідовність запуску та кількість алгоритмів можуть бути змінені.

Процес розпізнавання автомобільних номерів (АН) включає такі етапи: детектування номера, його нормалізація, сегментація зображення номера на окремі символи та розпізнавання символів. Ефективність розпізнавання автомобільних номерів залежить від кожного етапу, але для розпізнавання АН різних форматів ключовими етапами є сегментація та розпізнавання символів. Тому розробка методу розпізнавання символів АН різних форматів є актуальним завданням. Різні формати АН мають різні шрифти та різне розташування символів, що утруднює процес розпізнавання АН. Мета роботи - опис методу розпізнавання АН різних форматів, який має високий відсоток правильного розпізнавання та може бути використаний для розпізнавання АН на відеопотоках з камер, розташованих над трасами. Для розпізнавання АН запропоновано використовувати гістограму яскравості бінаризованого зображення, для розпізнавання символів і спеціально створену нейрону мережу з можливістю розпізнавання альтернативних частин вихідного зображення автомобільного номера, для відсіву неправильно розпізнаних символів і список форматів АН.

Рассмотрены проблемы формирования обучающих выборок для построения диагностических и распознающих моделей по прецедентам в условиях несбалансированности классов. Предложен метод автоматизации формирования обучающих выборок из исходных несбалансированных выборок большого размера. Метод позволяет значительно сократить размер исходной выборки с сохранением важных топологических свойств путем редукции мажоритарного класса и восстановить количественный баланс классов. Разработано программное обеспечение, реализующее предложенный метод, которое было использовано при проведении вычислительных экспериментов на синтетических и реальных данных. Проведенные эксперименты подтвердили работоспособность и эффективность предложенного метода и реализующего его программного обеспечения.

Наведено аналітичний огляд основних тенденцій, домінуючих у світі у межах розв'язання проблеми розпізнавання невідомого оточуючого середовища, навігації та планування шляхів агентом у ньому. Проаналізовано структуру задач, які є складовими цієї проблеми, та визначено, що напрям пропонованих досліджень належить до проблематики одночасної побудови мапи та планування шляху. На основі здійсненого огляду виконано постановку задач досліджень для випадку одного агента та визначено перелік методів, що потребують першочергової розробки.

Описано дослідження особливості методів та алгоритмів розпізнавання математичних виразів. Досліджено можливість одночасного виконування структурного аналізу та класифікації символів. Описано процес класифікації символів та побудови відповідної системи, що базується на методах машинного навчання. Розроблений ітеративний алгоритм реалізовано в проекті інтелектуальної інформаційної системи розпізнавання математичних виразів.

Вирішено задачу автоматизації процесу редукції великих даних при діагностуванні та розпізнаванні образів. Об'єкт дослідження - процес редукції великих даних. Предмет дослідження - методи редукції великих даних. Мета роботи - створення паралельного методу редукції даних на основі стохастичних обчислень. Запропоновано паралельний метод редукції великих даних. Даний метод грунтується на запропонованій системі критеріїв, що дозволяють оцінювати концентрованість контрольних точок близько локальних екстремумів. Обчислення оцінок концентрованості рішень в розробленій системі критеріїв засноване на просторовому розташуванні контрольних точок в поточній множині рішень. Запропонована система критеріїв може використовуватися в методах стохастичного пошуку для відстеження ситуацій надмірної концентрації рішень в областях локальних оптимумів, і, як наслідок, для підвищення різноманітності множини рішень в поточній популяції і більш рівномірного покриття простору пошуку контрольними точками в процесі оптимізації. Розроблено програмне забезпечення, яке реалізує запропонований паралельний метод редукції великих даних і дозволяє виконувати відбір інформативних ознак і скорочення великих вибірок даних при синтезі розпізнавальних моделей. Висновки: проведені експерименти підтвердили працездатність запропонованого паралельного методу редукції великих даних і дозволяють рекомендувати його для використання на практиці при обробці масивів великих даних для розпізнавання образів. Перспективи подальших досліджень можуть полягати в модифікації існуючих і розробки нових методів відбору ознак на основі розробленої системи критеріїв оцінювання концентрованості контрольних точок близько локальних екстремумів.

Дан обзор индексных структур для быстрого поиска по сходству объектов, представленных бинарными векторами (с компонентами 0 или 1). Рассмотрены структуры как для точного, так и для приближенного поиска по расстоянию Хэмминга и другим мерам сходства. Приведены, главным образом, индексные структуры на основе хэш-таблиц, сохраняющего сходство хэширования, а также древовидных структур, графов соседства и нейросетевой распределенной автоассоциативной памяти. Изложены идеи известных и предложенных в последнее время алгоритмов.

Об'єкт роботи - доповнена реальність. Наведено визначення терміну доповненої реальності, надано порівняння з віртуальною реальністю. Представлено основну класифікацію систем доповненої реальності. Зазначено основні проблеми реалізації програмних продуктів з використанням даних технологій та можливі шляхи їх вирішення.

Розглянуто можливість побудови електронної системи розпізнавання образів для частково автономного керування рухомою платформою на колесах Ілона. Запропоновано для розпізнавання образів використовувати штучну нейронну мережу, що дозволить платформі маневрувати частково автономно, орієнтуючись на об'єкти навколишнього середовища, а також одержувати команди з навколишнього середовища у вигляді графічних символів. Машини, що пересуваються на колесах Ілона, вирізняються з-поміж інших аналогічних пристроїв можливістю виконувати досить складні маневри в обмеженому просторі. Це робить їх дуже перспективними для використання в багатьох галузях промисловості, зберігання та перевезення вантажів, військовій сфері, де є необхідність переміщуватися в обмеженому просторі, виконувати складні рухи, що неможливі для платформ на звичайних колесах.

Розглянуто метод верифікації рукописного підпису у рамках інформаційно-екстремальної інтелектуальної технології і синтезу, що грунтується на максимізації інформаційної спроможності системи розпізнавати в процесі її навчання. В основу методу покладено поведінковий підхід, при якому розпізнавання і верифікацію підпису здійснюється шляхом аналізу його траєкторії формування. При цьому сформовано навчальну матрицю, реалізації якої складаються із структурованих ознак, що характеризують як послідовність координат точок траєкторії підпису, так і силу натискання пера на папір. Розроблено алгоритм навчання системи розпізнавання, який передбачає паралельно-послідовну оптимізацію ознак розпізнавання, що дозволило побудувати безпомилкові за навчальною матрицею вирішальні правила.

Мета роботи - розвиток методики використання емоційних процесів, на кшталт людини, у технічних системах розпізнавання образів з метою підвищення достовірності та зниження часової складності класифікації. Проаналізовано доцільність використання різноманітних емоційних процесів під час побудови класифікаторів технічних систем розпізнавання образів. Запропоновано інформаційну модель пам'яті людини, яка узагальнена для технічних інтелектуальних систем розпізнавання образів і є розвитком концепції Аткінсона - Шифріна щодо ранжирування інформації за часом зберігання. Розглянуто концепцію використання емоційних складових в алгоритмах класифікації комбінованих систем розпізнавання образів. Визначено напрями подальших досліджень щодо вдосконалення методики побудови класифікаторів з використанням емоційних процесів. Порівняльний аналіз штучних інтелектуальних систем з інтелектуальним апаратом людини вказав на невідповідність результатів класифікації, пов'язану з додатковими емоційними аспектами, що не враховуються. Запропоновано інформаційну модель пам'яті людини, яка є узагальненням моделі Аткінсона - Шифріна щодо технічних систем розпізнавання. Для систем розпізнавання, за аналогією з когнітивним апаратом людини, запропоновано вдосконалення моделі пам'яті через введення характеристик опису емоційних процесів. Це надає змогу здійснити ранжирування ознак об'єктів розпізнавання для їх розміщення в короткочасній пам'яті. Кількісні оцінки емоційних характеристик запропоновано визначати як диференціал цільової функції за кожним окремим інформаційним каналом. Встановлено, що у випадку використання комбінованих систем розпізнавання образів є доцільним співставлення характеристик емоційних процесів за різними інформаційними каналами.

Розроблено нові методи розпізнавання та структурного аналізу рукописних математичних виразів з метою підвищення ефективності їх введення в ЕОМ в режимі реального часу. Запропоновано спосіб знаходження інформативних ознак для рукописних символів, заснований на побудові точок ламаної апроксимуючої криву символу, та метод розпізнавання рукописних символів, заснований на використанні у якості класифікатора нечіткої нейронної мережі NEFCLASS. Для підвищення якості розпізнавання символів у роботі застосовується генетичний алгоритм навчання параметрів функції належності на етапі первинного навчання системи й алгоритм спряжених градієнтів на етапі донавчання системи. Запропоновано метод структурного аналізу рукописних математичних виразів, що дозволяє визначити просторові відносини між складовими математичного виразу, та складається з етапу розміщення, етапу реконструкції й етапу групування символів. Для реконструкції символів і корекції невірно розпізнаних символів використовується розроблена динамічна база евристичних правил. Запропоновано методи реалізовані у вигляді інформаційної технології розпізнавання рукописних математичних виразів, що вводяться в ЕОМ в режимі реального часу.