https://ir.lib.vntu.edu.ua//handle/123456789/1156 Журнал публікує статті, які містять нові теоретичні та практичні результати в галузях технічних, природничих та гуманітарних наук. Публікуються також огляди сучасного стану розробки важливих наукових проблем, огляди наукових та методичних конференцій, матеріали з педагогіки вищої освіти. 2026-07-13T18:30:21Z https://ir.lib.vntu.edu.ua//handle/123456789/52134 Формування зображень з використанням адаптивного суперсемплінгу із перекриттям тайлів Білинський, Й. Й.; Стахов, О. Я.; Кадук, О. В.; Бабій, Б. В.; Bilynsky, Yo. Yo.; Stakhov, O. Ya.; Kaduk, O. V.; Babij, B. V. The article proposes a new method of adaptive tile overlapping supersampling (AOTSS). The method is based on dividing the image into square tiles with an additional overlap zone, which eliminates artifacts at the boundaries of adjacent computational blocks. A cubic mixing weight function is used for a smooth transition between tiles. Adaptive distribution of computational resources is implemented through a complexity function that takes into account the intensity gradient, scene depth variation, and edge density. The number of subpixel samples automatically increases in complex areas and decreases in homogeneous areas, which reduces the overall computational load. The mathematical model confirms that the error decreases inversely proportional to the square root of the number of samples, and the tile artifact is eliminated with increasing overlap width. Comparative analysis with MSAA, SSAA, and TAA methods demonstrates the advantages of the proposed approach in terms of quality and performance. The method is promising for integration into GPU-oriented real-time rendering pipelines.; У статті запропоновано новий метод адаптивного суперсемплінгу з перекриттям тайлів (AOTSS). Метод базується на розбитті зображення на квадратні тайли з додатковою зоною перекриття, що усуває артефакти на межах суміжних обчислювальних блоків. Для плавного переходу між тайлами використовується кубічна вагова функція змішування. Адаптивний розподіл обчислювальних ресурсів реалізується через функцію складності, яка враховує градієнт інтенсивності, варіацію глибини сцени та щільність країв. Кількість субпіксельних вибірок автоматично збільшується у складних ділянках і зменшується у однорідних зонах, що знижує загальне обчислювальне навантаження. Математична модель підтверджує, що похибка зменшується обернено пропорційно кореню з кількості семплів, а тайловий артефакт усувається зі зростанням ширини перекриття. Порівняльний аналіз із методами MSAA, SSAA та TAA демонструє переваги запропонованого підходу за співвідношенням якості та продуктивності. Метод є перспективним для інтеграції у GPU-орієнтовані пайплайни рендерингу реального часу. 2026-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/52133 Resource-aware test-time adaptation for mobile face anti-spoofing under SWAP constraints Stets, O. A.; Konovalenko, I. V.; Стець, О. А.; Коноваленко, І. В. Face anti-spoofing (FAS) models for mobile authentication face a difficult deployment gap: they must remain robust under domain shift (camera, illumination, attack medium) while balancing biometric accuracy against strict speed, model-weight, and power-consumption limits (SWAP). Existing test-time methods improve cross-domain accuracy but ignore on-device resource limits and, more critically, can catastrophically degrade when source and target domains differ substantially. We propose a resource-aware test-time adaptation (RA-TTA) framework that s only normalization affine parameters, a compact classifier head, and class prototypes, and only when (a) drift is detected against calibrated source statistics, (b) pseudo-labels pass a confidence-and-augmentation reliability gate, and (c) a token-bucket budget controller permits adaptation under hard speed and power caps. Evaluated on OULU-NPU and Replay-Attack datasets with a deliberately challenging single-source 1 M-parameter MobileNetV3-Small backbone, RA-TTA delivers a 25% relative ACER reduction (4.83% vs 6.47%) on intra-domain data adaptation safely fires, while preserving source-model behaviour under extreme cross-domain shift (43.70% on OULU to Replay-Attack, identical to No-TTA) Tent collapses by 5.7% ACER. A drift-threshold sensitivity sweep validates the calibration heuristic. The runtime profile is deployment-class – 1.6 ms/3.04 mJ per frame on Samsung Galaxy S25, 3.83 ms/3.95 mJ on Galaxy A56, and 5.94 ms/6.27 mJ on entry-level Galaxy A17, with a 3.84 MB ONNX footprint – but cross-domain ACER at this scale is below production thresholds for security-critical face authentication. The contribution is the safety mechanism, not state of the art accuracy. Reaching production accuracy on the same backbone requires multi-source training, which is orthogonal to the adaptation-safety question this paper addresses.; Моделі захисту від підміни обличь (FAS) для мобільної автентифікації стикаються зі складним розривом між навчанням і розгортанням: вони повинні залишатися стійкими до зміщення доменів (камера, освітлення, носій атаки), одночасно балансуючи між біометричною точністю та обмеженнями на швидкість, розмір моделі та енергоспоживання (SWAP). Існуючі методи адаптації під час тестування покращують точність у міждоменних сценаріях, але ігнорують ресурсні обмеження пристрою, а ще критичніше – можуть катастрофічно деградувати, коли вихідний та цільовий домени суттєво відрізняються. Ми пропонуємо ресурсно-усвідомлену адаптацію при тестуванні (RA-TTA), яка оновлює лише афінні параметри нормалізації, компактний класифікаційний модуль і прототипи класів, і лише тоді, коли: (а) виявлено зміщення відносно каліброваної вихідної статистики; (б) псевдо-мітки проходять надійнісну фільтрацію за впевненістю та узгодженістю аугментацій; (в) бюджетний контролер типу token-bucket дозволяє адаптацію в межах жорстких обмежень за швидкістю та енергоспоживанням. На моделі MobileNetV3-Small (1 М параметрів) з одним вихідним доменом, оціненій на наборах даних OULU-NPU та Replay-Attack, RA-TTA забезпечує відносне зниження ACER на 25% (4.83% проти 6.47%) у внутрішньодоменних умовах, та зберігає поведінку вихідної моделі при екстремальному міждоменному зміщенні (43.70% на OULU до Replay-Attack), тоді як Tent деградує на 5.7% ACER. Профіль виконання моделі є придатним для розгортання – 1.61 мс/3.04 мДж на Samsung Galaxy S25, 3.83 мс/3.95 мДж на A56, 5.94 мс/6.27 мДж на A17, при розмірі 3.84 МБ – але міждоменна точність на такому масштабі моделі є нижчою за поріг для розгортання в реальних продуктах із безпекокритичною автентифікацією. Внеском є саме механізм адаптації безпеки, а не рекордна точність; досягнення точності продуктового рівня на такій архітектурі потребує багатоджерельного навчання, що не стосується проблеми, яку розглядає ця стаття. 2026-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/52131 Засоби інтелектуального оброблення даних для робототехнічних систем Кожем’яко, А. В.; Крупельницький, Л. В.; Войцеховська, О. В.; Булига, І. В.; Kozhemiako, A. V.; Krupelnitskyi, L. V.; Voitsehovska, O. V.; Bulyha, I. V. This article focuses on investigating the characteristics of basic navigation data processing procedures for the autonomous control of robotic systems. The article examines procedures such as the analysis and classification of environmental objects for a mobile robot with a focus on autonomous control, specifically on the implementation of its properties such as autonomy, adaptability, and mobility. A necessary condition here is compliance with key performance indicators such as compactness of hardware implementation, reliability in challenging conditions, and protection against unauthorized software interference.  To detect reference objects and determine their locations, this work analyzes the features of matrix correlation image processing. This approach allows for the detection of reference images within the field of view of the current image, as well as the determination of their centers, followed by focusing of the mobile robot’s visual system. Classification of the detected objects by the mobile robot’s navigation system is necessary for making specific decisions regarding its subsequent actions, in particular, to avoid existing obstacles. This paper proposes using a neural-like classifier based on linear discriminant functions as an object classifier. A distinctive feature of this approach is the ability to employ an alternative sorting method in the classifier’s competitive layer, which implements the WTA (Winner Takes All) competition model. The regularity of the structure of the considered intellectually processed data for mobile robots allows for a compact implementation in a FPGA chips.; Тематику статті присвячено дослідженню особливостей базових процедур навігаційного оброблення даних для автономного керування робототехнічних систем. Розглядаються такі процедури, як аналіз та класифікація об’єктів зовнішнього середовища для мобільного робота з орієнтацією на автономне керування, а саме, на реалізацію таких його властивостей, як автономність, адаптивність та мобільність. При цьому необхідною умовою є дотримання таких ключових показників, як компактність апаратної реалізації, надійність у складних умовах та захист від несанкціонованого втручання до програмного забезпечення.  Для виявлення контрольних об’єктів та визначення їх місцеположення у даній роботі проаналізовано особливості матричного кореляційного оброблення зображень. Такий підхід дозволяє виявити наявність еталонних зображень на полі поточного зображення, а також визначити їх центри з подальшим фокусуванням зорового засобу мобільного робота. Класифікація знайдених об’єктів навігаційною системою мобільного робота необхідна для прийняття конкретних рішень стосовно його подальших дій, зокрема, для уникнення наявних перешкод. У даній роботі пропонується в якості класифікатора об’єктів використати нейроподібний класифікатор на базі лінійних дискримінантних функцій. Особливістю такого підходу є можливість задіяти альтернативний метод сортування у конкурентному шарі класифікатора, який реалізує модель конкуренції WTA (Winner Takes All). Регулярність структури розглянутих засобів інтелектуального оброблених даних для мобільних роботів передбачає компактну реалізацію у мікросхемах ПЛІС. 2026-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/52129 Метод автоматизованої стандартизації назв метизів на основі LLM-моделі Старжинський, В. Ю.; Бісікало, О. В.; Starzhynskyiy, V. Yu.; Bisikalo, O. V. The article presents a method for the automated standardization of unstructured technical names for fasteners using Large Language Models (LLMs). The system architecture is based on the local inference of the Mistral-7B model via the LM Studio server, ensuring the confidentiality of industrial data. A comparative analysis is conducted between the «Instructor» method utilizing Pydantic validation and a proprietary direct JSON serialization method based on Few-Shot Prompting. Experimental results demonstrate that precise prompt engineering and in-context learning achieve 100% accuracy in generating names aligned with international DIN/ISO and DSTU standards. The proposed solution automates the updating of SQLite3 databases, minimizes human error, and provides correct multilingual localization of technical nomenclature. This approach significantly enhances data quality and operational efficiency within supply chain management systems.; У статті представлено метод автоматизованої стандартизації неструктурованих технічних назв метизної продукції на основі великих мовних моделей (LLM). Розглянуто архітектуру системи, що базується на локальному інференсі моделі Mistral-7B через сервер LM Studio, що забезпечує конфіденційність промислових даних. Проведено порівняльний аналіз методу «Instructor» із використанням Pydantic-валідації та авторського методу прямої JSON-серіалізації на основі Few-Shot Prompting. Результати експерименту демонструють, що прецизійне налаштування промптів та контекстне навчання дозволяють досягти 100% точності у формуванні назв згідно з міжнародними стандартами DIN/ISO та ДСТУ. Запропоноване рішення автоматизує процеси оновлення баз даних SQLite3, мінімізує «людський фактор» та забезпечує коректну багатомовну локалізацію технічної номенклатури. 2026-01-01T00:00:00Z