Текстові матеріали 2026

Permanent URI for this communityhttps://crust.ust.edu.ua/handle/123456789/22047

ENG: Text materials 2026

Browse

Now showing 1 - 3 of 3

Використання історичних даних для підвищення точності виявлення сміттєзвалищ на аерокосмічних знімках
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Литвинов, Єгор В.; Гнатушенко, Володимир Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: У роботі розглянуто можливості використання історичних супутникових даних для підвищення точності виявлення несанкціонованих сміттєзвалищ на аерокосмічних знімках. Показано, що для таких об’єктів часовий контекст має важливе діагностичне значення, оскільки сміттєзвалища формуються поступово та проявляються не лише у спектральних характеристиках поточної сцени, а й у динаміці змін земної поверхні. Проаналізовано підходи satellite image time series, change detection, моделі часових рядів, а також history prior map. Обґрунтовано, що найбільш перспективним є гібридний підхід, у якому первинне виявлення виконується YOLO-подібним детектором, а подальше уточнення здійснюється за допомогою історичних даних, карт змін і агентно-ознакової моделі. Така схема дозволяє підвищити стійкість виявлення, зменшити кількість хибнопозитивних спрацьовувань і забезпечити кращу інтерпретованість результатів екологічного моніторингу.
Дослідження методів уніфікації та попередньої обробки експериментальних даних для підвищення якості інтеграції в ШІ-моделі компенсації ексцентриситету валків
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Потап, Михайло Олегович; Гнатушенко, Вікторія Володимирівна; Селівьорстова, Тетяна Віталіївна
UKR: У роботі розглянуто питання уніфікації та попередньої обробки експериментальних даних для їх ефективного використання в ШІ-моделях компенсації ексцентриситету валків у процесах листової прокатки. Обґрунтовано, що якість функціонування інтелектуальних моделей значною мірою залежить від узгодженості, повноти та інформативності вхідних даних. Проаналізовано підходи до синхронізації часових рядів, очищення даних, фільтрації шумів, нормалізації та формування ознак. Показано, що застосування процедур уніфікації та попередньої обробки сприяє підвищенню якості інтеграції даних у ШІ-моделі та створює передумови для більш точної компенсації ексцентриситету валків.
ШІ-підходи пояснення супутникових знімків
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Бубнов, Микола С.; Гнатушенко, Володимир Володимирович; Гнатушенко, Вікторія Володимирівна
UKR: У роботі розглянуто сучасні підходи пояснюваного штучного інтелекту (Explainable Artificial Intelligence, XAI), що застосовуються для інтерпретації та обробки супутникових і аерокосмічних знімків у задачах дистанційного зондування Землі. Проаналізовано основні класи XAI-методів, зокрема атрибуцію ознак, дистиляцію моделей, внутрішньо інтерпретовані підходи та контрастивні пояснення, принципи їх роботи, переваги, обмеження та обчислювальні особливості. Наведено приклади практичного використання XAI для моніторингу природних катастроф, агромоніторингу, оцінки соціально-економічних індикаторів, класифікації землекористування та аналізу мультимодальних даних. Зроблено висновок, що XAI є важливим інструментом для підвищення надійності, прозорості та прийнятності результатів моделей штучного інтелекту у критично важливих прикладних застосуваннях.