<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Трекінг об’єктів у методах комп’ютерного зору автономних безпілотних систем

Ескіз

Файли

25664.pdf (163,24 KB)

Дата

2025

Автори


Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

Анотація

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.

Опис

Ключові слова

computer vision , object tracking , autonomous unmanned systems , artificial intelligence , deep learning , neural networks , real-time , navigation

УДК

004.93

Тип документа

Thesis

Мова

uk_UA

Є частиною

Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2025)», Вінниця, 15-16 червня 2025 р.

ISSN

Бібліографічний опис

Щербатюк М. В., Маслій Р. В. Трекінг об’єктів у методах комп’ютерного зору автономних безпілотних систем // Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2025)», Вінниця, 15-16 червня 2025 р. Електрон. текст. дані. 2025. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2025/paper/view/25664.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/47877

Зібрання

Молодь в науці: дослідження, проблеми, перспективи (МН-2025)

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (7)

  1. Wong Kin Yiu. YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information [Електронний ресурс] / Wong Kin Yiu // GitHub. – Режим доступу: https://github.com/WongKinYiu/yolov9 .
  2. Accurate and Fast Single Shot Multibox Detector [Електронний ресурс] / Lie Guo, Wei Liu, Xiaodong Wang, Xiaojun Zhang // IET Computer Vision. – 2020. – Vol. 14, № 6. – С. 391–398. – Режим доступу: https://doi.org/10.1049/iet-cvi.2019.0711 .
  3. DeepSORT: Deep Learning for Multi-Object Tracking [Електронний ресурс] / Wojke N., Bewley A., Paulus D. // arXiv. – 2017. – Режим доступу: https://arxiv.org/abs/1703.07402 .
  4. Long Short-Term Memory (LSTM) [Електронний ресурс] // ITWIKI. – Режим доступу: https://itwiki.dev/data-science/ml-reference/ml-glossary/long-short-term-memory-lstm .
  5. Sensor Fusion for Autonomous Systems [Електронний ресурс] // MathWorks. – Режим доступу: https://www.mathworks.com/help/fusion/ug/sensor-fusion-for-autonomous-systems.html .
  6. Gazebo: Getting Started with Gazebo [Електронний ресурс] // Gazebo. – Режим доступу: https://gazebosim.org/docs/latest/getstarted .
  7. AirSim [Електронний ресурс] // Microsoft. – Режим доступу: https://microsoft.github.io/AirSim/ .