| dc.contributor.author | Щербатюк, М. В. | uk |
| dc.contributor.author | Маслій, Р. В. | uk |
| dc.date.accessioned | 2025-08-13T09:36:10Z | |
| dc.date.available | 2025-08-13T09:36:10Z | |
| dc.date.issued | 2025 | |
| dc.identifier.citation | | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua//handle/123456789/47877 | |
| dc.description.abstract | Трекінг об’єктів є важливим компонентом комп’ютерного зору в автономних безпілотних системах(БПС), таких як дрони, роботизовані платформи та автономні транспортні засоби. Сучасні алгоритми комп’ютерного зору на основі штучного інтелекту дозволяють ефективно виявляти, ідентифікувати та відстежувати об’єкти в реальному часі, що забезпечує безпеку, точність навігації та виконання цільових задач. У цій роботі розглядаються основні методи трекінгу об’єктів, їх інтеграція в системи БПС, а також перспективи розвитку в контексті автономних технологій. | uk |
| dc.description.abstract | Object tracking is an essential component of computer vision in autonomous unmanned systems (AUS), such as drones, robotic platforms, and autonomous vehicles. Modern computer vision algorithms based on artificial intelligence enable effective real-time object detection, identification, and tracking, ensuring safety, navigation accuracy, and task execution. This paper examines the main object tracking methods, their integration into AUS systems, and development prospects in the context of autonomous technologies. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | // Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2025)», 15-16 червня 2025 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/mn/mn2025/paper/view/25664 | |
| dc.subject | комп’ютерний зір | uk |
| dc.subject | трекінг об’єктів | uk |
| dc.subject | автономні безпілотні системи | uk |
| dc.subject | штучний інтелект | uk |
| dc.subject | глибоке навчання | uk |
| dc.subject | нейронні мережі | uk |
| dc.subject | реальний час | uk |
| dc.subject | навігація | uk |
| dc.subject | computer vision | uk |
| dc.subject | object tracking | uk |
| dc.subject | autonomous unmanned systems | uk |
| dc.subject | artificial intelligence | uk |
| dc.subject | deep learning | uk |
| dc.subject | neural networks | uk |
| dc.subject | real-time | uk |
| dc.subject | navigation | uk |
| dc.title | Трекінг об’єктів у методах комп’ютерного зору автономних безпілотних систем | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.93 | |
| dc.relation.references | 1. Wong Kin Yiu. YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information [ ] / Wong Kin Yiu // GitHub. : https://github.com/WongKinYiu/yolov9 . 2. Accurate and Fast Single Shot Multibox Detector [ ] / Lie Guo, Wei Liu, Xiaodong Wang, Xiaojun Zhang // IET Computer Vision. 2020. Vol. 14, 6. . 391398. : https://doi.org/10.1049/iet-cvi.2019.0711 . 3. DeepSORT: Deep Learning for Multi-Object Tracking [ ] / Wojke N., Bewley A., Paulus D. // arXiv. 2017. : https://arxiv.org/abs/1703.07402 . 4. Long Short-Term Memory (LSTM) [ ] // ITWIKI. : https://itwiki.dev/data-science/ml-reference/ml-glossary/long-short-term-memory-lstm . 5. Sensor Fusion for Autonomous Systems [ ] // MathWorks. : https://www.mathworks.com/help/fusion/ug/sensor-fusion-for-autonomous-systems.html . 6. Gazebo: Getting Started with Gazebo [ ] // Gazebo. : https://gazebosim.org/docs/latest/getstarted . 7. AirSim [ ] // Microsoft. : https://microsoft.github.io/AirSim/ . | |