D. Zaitsev, T. Filimonchuk, A. Huk, Halyna Maistrenko
{"title":"使用数据聚类方法的有效图像分割工具概述","authors":"D. Zaitsev, T. Filimonchuk, A. Huk, Halyna Maistrenko","doi":"10.26906/sunz.2024.1.077","DOIUrl":null,"url":null,"abstract":"Актуальність. Протягом багатьох десятиліть люди мріяли створити машини, які могли б зрівнятись по характеристикам з людським інтелектом та мислити й діяти як люди. Однією з найцікавіших ідей було дати комп’ютерам можливість «бачити» та інтерпретувати навколишній світ у зручний для розуміння комп’ютером. Завдяки прогресу в галузі штучного інтелекту, інноваціям в області deep learning та нейронних мережах ця сфера змогла зробити значний стрибок за останні роки та перевершити людей у деяких задачах, пов’язаних із виявленням та маркуванням об’єктів. Метою даної роботи є розгляд та порівняльний аналіз існуючих засобів сегментації зображень, зокрема, з використанням методів кластеризації. Об’єктом дослідження виступають алгоритми сегментації зображень, які є ключовими у сфері комп'ютерного зору для розпізнавання та аналізу об'єктів. Предметом дослідження є конкретне використання методів кластеризації в цих алгоритмах, їх ефективність та точність. Результати. У даній роботі проведено розгляд та порівняльний аналіз основних методів кластеризації даних. Виявлено 3 найпоширеніші та найперспективніші для покращення алгоритми. Для кожного з них описано принцип роботи, виділено їх головні переваги та недоліки. Висновок. Серед розглянутих методів немає найкращого універсального вибору, оскільки ефективність кожного з них залежить від конкретної задачі. Описані алгоритми плануються бути використані для їх подальших досліджень та модифікацій.","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"47 19","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"ОГЛЯД ЗАСОБІВ ЕФЕКТИВНОЇ СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ З ВИКОРИСТАННЯМ МЕТОДІВ КЛАСТЕРИЗАЦІЇ ДАНИХ\",\"authors\":\"D. Zaitsev, T. Filimonchuk, A. Huk, Halyna Maistrenko\",\"doi\":\"10.26906/sunz.2024.1.077\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Актуальність. Протягом багатьох десятиліть люди мріяли створити машини, які могли б зрівнятись по характеристикам з людським інтелектом та мислити й діяти як люди. Однією з найцікавіших ідей було дати комп’ютерам можливість «бачити» та інтерпретувати навколишній світ у зручний для розуміння комп’ютером. Завдяки прогресу в галузі штучного інтелекту, інноваціям в області deep learning та нейронних мережах ця сфера змогла зробити значний стрибок за останні роки та перевершити людей у деяких задачах, пов’язаних із виявленням та маркуванням об’єктів. Метою даної роботи є розгляд та порівняльний аналіз існуючих засобів сегментації зображень, зокрема, з використанням методів кластеризації. Об’єктом дослідження виступають алгоритми сегментації зображень, які є ключовими у сфері комп'ютерного зору для розпізнавання та аналізу об'єктів. Предметом дослідження є конкретне використання методів кластеризації в цих алгоритмах, їх ефективність та точність. Результати. У даній роботі проведено розгляд та порівняльний аналіз основних методів кластеризації даних. Виявлено 3 найпоширеніші та найперспективніші для покращення алгоритми. Для кожного з них описано принцип роботи, виділено їх головні переваги та недоліки. Висновок. Серед розглянутих методів немає найкращого універсального вибору, оскільки ефективність кожного з них залежить від конкретної задачі. Описані алгоритми плануються бути використані для їх подальших досліджень та модифікацій.\",\"PeriodicalId\":509548,\"journal\":{\"name\":\"Системи управління, навігації та зв’язку. Збірник наукових праць\",\"volume\":\"47 19\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2024-02-09\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Системи управління, навігації та зв’язку. Збірник наукових праць\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.26906/sunz.2024.1.077\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Системи управління, навігації та зв’язку. Збірник наукових праць","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.26906/sunz.2024.1.077","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
ОГЛЯД ЗАСОБІВ ЕФЕКТИВНОЇ СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ З ВИКОРИСТАННЯМ МЕТОДІВ КЛАСТЕРИЗАЦІЇ ДАНИХ
Актуальність. Протягом багатьох десятиліть люди мріяли створити машини, які могли б зрівнятись по характеристикам з людським інтелектом та мислити й діяти як люди. Однією з найцікавіших ідей було дати комп’ютерам можливість «бачити» та інтерпретувати навколишній світ у зручний для розуміння комп’ютером. Завдяки прогресу в галузі штучного інтелекту, інноваціям в області deep learning та нейронних мережах ця сфера змогла зробити значний стрибок за останні роки та перевершити людей у деяких задачах, пов’язаних із виявленням та маркуванням об’єктів. Метою даної роботи є розгляд та порівняльний аналіз існуючих засобів сегментації зображень, зокрема, з використанням методів кластеризації. Об’єктом дослідження виступають алгоритми сегментації зображень, які є ключовими у сфері комп'ютерного зору для розпізнавання та аналізу об'єктів. Предметом дослідження є конкретне використання методів кластеризації в цих алгоритмах, їх ефективність та точність. Результати. У даній роботі проведено розгляд та порівняльний аналіз основних методів кластеризації даних. Виявлено 3 найпоширеніші та найперспективніші для покращення алгоритми. Для кожного з них описано принцип роботи, виділено їх головні переваги та недоліки. Висновок. Серед розглянутих методів немає найкращого універсального вибору, оскільки ефективність кожного з них залежить від конкретної задачі. Описані алгоритми плануються бути використані для їх подальших досліджень та модифікацій.