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

Застосування нейронних мереж для інтерполяції відео

dc.contributor.authorКачур, Д. А.uk
dc.contributor.authorKachur, D. A.en
dc.titleЗастосування нейронних мереж для інтерполяції відеоuk
dc.date.issued2026
dc.publisherВінницький національний технічний університетuk
dc.identifier.citationКачур Д. А. Застосування нейронних мереж для інтерполяції відео // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/27990.uk
dc.relation.ispartofМатеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/27990
dc.identifier.udc004.8:004.932
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/54277
dc.description.abstractУ роботі розглянуто сучасні підходи до інтерполяції відеокадрів із використанням нейронних мереж. Проаналізовано основні методи підвищення частоти кадрів, принципи роботи глибоких моделей та їх переваги над класичними алгоритмами. Описано архітектурні особливості згорткових нейронних мереж і моделей, заснованих на оцінці оптичного потоку. Розглянуто практичні сфери застосування, обмеження та перспективи розвитку технології..uk
dc.description.abstractThe paper examines modern approaches to video frame interpolation using neural networks. The main methods of frame rate enhancement, principles of deep models operation, and their advantages over classical algorithms are analyzed. Architectural features of convolutional neural networks and optical flow-based models are described.en
dc.subjectнейронні мережіuk
dc.subjectінтерполяція відеоuk
dc.subjectглибоке навчанняuk
dc.subjectоптичний потікuk
dc.subjectобробка зображеньuk
dc.subjectneural networksen
dc.subjectvideo interpolationen
dc.subjectdeep learningen
dc.subjectoptical flowen
dc.subjectimage processingen
dc.typeThesis
dc.language.isoukuk
dc.relation.referencesNiklaus S., Mai L., Liu F. Video Frame Interpolation via Adaptive Convolution // CVPR. – 2017.en
dc.relation.referencesJiang H., Sun D., Jampani V., et al. Super SloMo: High Quality Estimation of Multiple Intermediate Frames // CVPR. – 2018.en
dc.relation.referencesBao W., Lai W., Ma C., et al. Depth-Aware Video Frame Interpolation // CVPR. – 2019.en
dc.date.accessioned2026-09-11T12:10:52Z
dc.date.available2026-09-11T12:10:52Z

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1
Вантажиться...
Ескіз
Назва:
27990.pdf
Розмір:
218,23 KB
Формат:
Adobe Portable Document Format

Ліцензійна угода

Зараз показуємо 1 - 1 з 1
Вантажиться...
Ескіз
Назва:
license.txt
Розмір:
17 B
Формат:
Plain Text
Опис: