Дослідження нейромережевих моделей для відстеження погляду та фіксації об'єктів
| dc.contributor.author | Островська, Катерина Юріївна | uk_UA |
| dc.contributor.author | Порохнявий, Вячеслав Григорович | uk_UA |
| dc.date.accessioned | 2025-04-07T11:37:29Z | |
| dc.date.available | 2025-04-07T11:37:29Z | |
| dc.date.issued | 2025 | |
| dc.description | К. Островська: ORCID 0000-0002-9375-4121 | uk_UA |
| dc.description.abstract | UKR: В роботі представлено порівняння нейромережевих моделей для відстеження погляду та фіксації об'єктів. У цій роботі були вивчені алгоритми виявлення подій з різних областей: I-VT і I-DT, засновані на порогових значеннях, модель випадкового лісу в галузі машинного навчання і модель CNN в галузі глибокого навчання. Була проведена оцінка ефективності їхньої класифікації з використанням одного і того ж набору даних для всіх методів. Також обговорювався взаємозв'язок між програмістами та алгоритмами. Результати показали критичний вплив порогових значень класифікацію алгоритмів I-VT і I-DT. У зв'язку з цим пошук оптимального порогу алгоритмах, заснованих на порогових значеннях, є складним завданням. Алгоритми RF і CNN перевершують алгоритми, засновані на порогових значеннях, за всіма показника-ми продуктивності та здатні класифікувати дані щодо кількох класів. Проведено тестування та порівняння різних АВП (алгоритмів виявлення подій). Дано теоретичні та експериментальні обґрунтування отриманим результатам. За результатами проведених експериментів було обрано найкращий наших завдань АВП (алгоритмів виявлення подій). Також описані засоби реалізації до створення докладання. Описано переваги та недоліки обраних рішень. Вирішено технічні проблеми, що виникли. Спроектовано архітектуру, розроблено макет програми виходячи з необхідних завдань. | uk_UA |
| dc.description.abstract | ENG: The paper presents a comparison of neural network models for eye tracking and object fixation. In this paper, event detection algorithms from different domains were studied: I-VT and I-DT, based on threshold values, a random forest model in the field of machine learning, and a CNN model in the field of deep learning. Their classification performance was evaluated using the same dataset for all methods. The relationship between programmers and algorithms was also discussed. The results showed the critical impact of threshold values on the classification of I-VT and I-DT algorithms. In this regard, finding the optimal threshold for threshold-based algorithms is a difficult task. RF and CNN algorithms outperform threshold-based algorithms in all performance indicators and are capable of classifying data into multiple classes. Various ABCs (event detection algorithms) have been tested and compared. Theoretical and experimental justifications for the results obtained have been given. Based on the results of the experiments, the best ABC for our tasks (event detection algorithms) has been selected. The means of implementation for creating the application are also described. The advantages and disadvantages of the selected solutions are described. The technical problems that have arisen have been solved. The architecture has been designed, and a program layout has been developed based on the required tasks. | en |
| dc.identifier.citation | Островська К. Ю., Порохнявий В. Г. Дослідження нейромережевих моделей для відстеження погляду та фіксації об'єктів. Системні технології. Дніпро, 2025. Т. 2, № 157. С. 170–177. DOI: https://doi.org/10.34185/1562-9945-2-157-2025-17. | uk_UA |
| dc.identifier.doi | https://doi.org/10.34185/1562-9945-2-157-2025-17 | en |
| dc.identifier.issn | 1562-9945 (Print) | |
| dc.identifier.issn | 2707-7977 (Online) | |
| dc.identifier.uri | https://journals.nmetau.edu.ua/index.php/st/article/view/1976 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/20029 | en |
| dc.language.iso | uk | |
| dc.publisher | Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро | uk_UA |
| dc.subject | машинне навчання | uk_UA |
| dc.subject | алгоритмів виявлення подій | uk_UA |
| dc.subject | додаток | uk_UA |
| dc.subject | саккада | uk_UA |
| dc.subject | плавне переслідування | uk_UA |
| dc.subject | постсаккадичні коливання | uk_UA |
| dc.subject | глісади | uk_UA |
| dc.subject | згорткова нейронна мережа | uk_UA |
| dc.subject | machine learning | en |
| dc.subject | random forest | en |
| dc.subject | event detection algorithms | en |
| dc.subject | application | en |
| dc.subject | saccade | en |
| dc.subject | smooth pursuit | en |
| dc.subject | post-saccadic oscillations | en |
| dc.subject | glide paths | en |
| dc.subject | convolutional neural network | en |
| dc.subject | КІТС | uk_UA |
| dc.subject.classification | TECHNOLOGY::Information technology | en |
| dc.title | Дослідження нейромережевих моделей для відстеження погляду та фіксації об'єктів | uk_UA |
| dc.title.alternative | Research on Neural Network Models for Eye Tracking and Object Fixation | en |
| dc.type | Article | en |