122 Комп'ютерні науки
Permanent URI for this collection
Освітня програма: "Комп'ютерні науки"
Browse
Browsing 122 Комп'ютерні науки by Author "Бучко, Олена"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Анотація зображень з використанням згорткових та рекурентних нейронних мереж(2020) Завертайло, Марія; Бучко, ОленаЩодня нас оточують мільйони зображень в Інтернеті і попри те, що вони не мають словесного опису, людський мозок не задумуючись розпізнає різні об’єкти на фото, класифікує їх та формує загальне розуміння того, що знаходиться на фото. На жаль, комп’ютеру це зробити не так просто і для цього потрібно використовувати нестандартні підходи машинного навчання.Item Використання методу Лукаса-Канаде для аналізу руху та відстеження об’єктів(2020) Кушнір, Вікторія; Бучко, ОленаМетоди обробки зображень є надзвичайно важливими для сучасної науки, вони вважаються одними з таких, які безперервно розвиваються та вдосконалюються. При цьому під обробкою зображень розуміють не лише поліпшення зорового сприйняття зображень, але й класифікацію об'єктів, що виконується при аналізі зображень. Області застосування методів цифрової обробки в наш час значно розширюються, витісняючи аналогові методи обробки сигналів зображень. Методи цифрової обробки широко застосовуються в промисловості, мистецтві, медицині, космічних дослідженнях. Вони застосовуються при керуванні процесами, автоматизації виявлення об'єктів, розпізнаванні образів і в багатьох інших. Цифрова передача зображень із космічних апаратів, цифрові канали передачі сигналів зображень вимагають забезпечення передачі все більших потоків інформації. Формування зображень, поліпшення якості та автоматизація обробки медичних зображень, включаючи зображення, що створюються електронними мікроскопами, рентгенівськими апаратами, томографами тощо, є предметом сучасних досліджень та розробок.Item Розробка алгоритму автоматичної синхронізації губ та рис обличчя у відеопотоці з аудіо(2021) Андронік, Владислав; Бучко, ОленаThis material presents the solution to generate talking face images with the use of deep learning. We conduct the research of existing literature to compose more efficient network design. The final version has additional pre-trained discriminator network to reach superior lip synchronization performance with adversarial training to improve the visual quality of images. We provide comparative analysis and ablation studies which show insights on how different components of the solution affect the result. This approach achieves comparable consistency in lip movements to other solutions in the field, but has higher visual quality.