Дэлгэрэнгүй мэдээлэл

Монгол адууны тамганы дүрсний санд олон шугам нэг контур болж нэгдсэн нийлмэл дүрсүүд түгээмэл тохиолддог бөгөөд энэ нь автомат танихад үндсэн хүндрэл болдог. Энэхүү өгүүлэлд нийлмэл тамгыг шууд нэг бүхэл объект гэж танихын оронд бүтцээр нь задлан уншихад зориулсан дүрмийн аргыг санал болгов. Судалгаанд 1401 зурагтай өгөгдлийн санг ашиглаж, дүрсийг бүрэлдэхүүн дүрсний тоогоор нь 1–6 бүлэгт ангилсан. Санал болгож буй арга нь урьдчилсан боловсруулалт, холбоост хэсэг илрүүлэлт, skeleton-д суурилсан задлал, дараа нь байрлал, хэмжээ, хэлбэрийн дүрмээр үндсэн дүрс, чимэг дүрс, хүрээ, дэвсгэрийг ялгах шатлалтай. Мөн бидний өмнөх судалгаанд тодорхойлсон уламжлалт тамга унших дарааллыг Rule 1–Rule 5 хэлбэрээр формалчилж, нийлмэл дүрсийг тайлбарлах алгоритмд тусгав. Туршилтаас харахад нэг болон хоёр бүрэлдэхүүнтэй тамганд энэхүү арга үр дүнтэй ажиллах боломжтой боловч олон бүрэлдэхүүнтэй, нэг контурт бүрэн нэгдсэн тамганд ambiguity ихсэж, segmentation-ээс илүү бүтцийн тайлбар шаардлагатай байна.

Хог хаягдлыг зөв ангилан ялгах нь байгаль орчны бохирдлыг бууруулах, дахин боловсруулах үйл ажиллагааны үр ашгийг нэмэгдүүлэхэд чухал ач холбогдолтой. Гэвч бодит нөхцөлд хог ангилалт нь ихэвчлэн гар ажиллагаанд тулгуурладаг тул алдаа ихтэй, тогтворгүй байдаг. Иймээс энэхүү судалгаанд компьютерын хараа болон гүн сургалтын аргад суурилсан YOLO төрлийн объект таних загваруудыг ашиглан хог хаягдлыг автоматаар ангилах боломжийг судлав. Судалгааны хүрээнд өөрийн бүрдүүлсэн болон нээлттэй эхийн өгөгдлийг ашиглан өгөгдлийн багцыг үе шаттайгаар өргөжүүлж, YOLOv8, YOLO11 болон YOLO26 архитектуруудыг харьцуулан туршсан. Туршилтын явцад загваруудын гүйцэтгэлийг Precision, Recall, mAP@0.5 болон mAP@0.5:0.95 үзүүлэлтүүдээр үнэлсэн. Туршилтын үр дүнгээс YOLO26s загвар нь бусад туршигдсан архитектуруудтай харьцуулахад илүү тогтвортой үр дүн үзүүлж, тест өгөгдөл дээр mAP@0.5 ≈ 0.87 үзүүлэлтэд хүрсэн. Мөн объект таних арга нь нэг зурагт олон төрлийн хог агуулагдсан нөхцөлд объектын байршил болон ангиллыг зэрэг тодорхойлох боломжтой болохыг харуулсан. Судалгааны үр дүн нь YOLO-д суурилсан объект таних арга нь хог хаягдлын автомат ангиллын бодлогод ашиглах боломжтой бөгөөд цаашид бодит орчин болон ухаалаг хог ангилах шийдлүүдэд хэрэгжүүлэх боломжтойг харуулж байна.

Сүүлийн жилүүдэд Компьютер хараа, Гүн сургалт, Машин сургалтын арга техник, технологи хөгжихийн хэрээр зураг болон бичлэг дэх мэдээллийг таних, ангилах асуудал нь хэрэглээнд өргөн нэвтэрч байна. Үүнээс тээврийн хэрэгслийг автоматаар таних технологи нь замын хөдөлгөөний хяналт, хот болон хөдөө орон нутгийн камерын систем зэрэг олон салбарт чухал үүрэг оролцоотой байна. Гэвч автомашины загвар таних асуудал нь зөвхөн объект илрүүлэхээс илүү төвөгтэй бөгөөд өөр өөр үйлдвэрлэгчийн автомашинууд хоорондоо төстэй харагдах тохиолдол элбэг бөгөөд нэг үйлдвэрлэгчийн өөр өөр загварууд ч ойролцоо харагдах тохиолдол цөөнгүй байдаг. Тиймээс бүтэн зургаас тээврийн хэрэгслийг ангилах үед гэрэл сүүдэр, хажуугийн өөр биет зэргээс хамааран танилтын чанар буурах эрсдэлтэй байдаг. Энэхүү судалгаанд зураг дээрээс эхлээд YOLO загварын авто машин илрүүлэлтийг ашиглан тээврийн хэрэгслийг илрүүлж, дараа нь илэрсэн хэсэг дээр Resnet-50 backbone дээр суурилан тээврийн хэрэгслийн төрлийг ангилна. Судалгааны явцад авто машин илрүүлэх болон ангиллын өгөгдлийн багцыг хослуулан бэлтгэж, илрүүлэлтийн хязгаарлагч хүрээний координат дээр үндэслэн автомашины ангилах өгөгдлийн багцыг үүсгэн сургалтад ашигласан. Туршилтын үр дүнгээс харахад автомашиныг бүтэн зургаас тээврийн хэрэгслийн төрлийг тодорхойлохоос илүүтэйгээр эхлээд зөв илрүүлж, дараа нь түүн дээрээ төрлийг ангилах нь илүү оновчтой болох нь ажиглагдсан.

Монголын хадны зураг дахь амьтдын дүрслэл нь эртний хүмүүсийн дүрслэх сэтгэлгээ, байгальтай харилцах ойлголт, уран сайхны илэрхийллийн чухал өв юм. Хадны зурагт дүрслэгдсэн буга, янгир, морь зэрэг амьтдын дүрс нь шугам, хэлбэр, хөдөлгөөн, стилизацийн өвөрмөц шийдлээрээ гоо зүйн үнэ цэнтэй боловч хадны гадаргуугийн элэгдэл, хагарал, сүүдэр, дүрсний бүдгэрэл зэргээс шалтгаалан эдгээр онцлогийг шууд танин мэдэхэд хүндрэл үүсдэг. Энэхүү өгүүлэлд Монголын хадны зураг дахь амьтдын дүрслэлийн гоо зүйн онцлогийг дижитал боловсруулалтын аргаар тодруулах боломжийг судлав. Судалгаанд Н. Батболдын “Монголын Говийн бүсийн хадны зургийн судалгаа” бүтээлээс авсан дүрсний жишээнүүдийг ашиглаж, grayscale хөрвүүлэлт, contrast enhancement, smoothing, edge detection, logical combination, morphology, contour extraction зэрэг аргаар дүрсийг боловсруулсан. Боловсруулалтын үр дүнд амьтдын дүрслэлийн үндсэн контур, морфологийн танигдах шинж, шугаман хэмнэл, хөдөлгөөний илэрхийлэл илүү ойлгомжтой болж, буга, янгир, морины дүрслэлийн гоо зүйн ялгаа тодорхой ажиглагдав. Судалгааны үр дүнгээс үзэхэд дижитал боловсруулалт нь хадны зураг дахь амьтдын дүрслэлийн гоо зүйн онцлогийг тайлбарлах, сургалт, үзүүлэн, танин мэдэхүйн хэрэглээнд ашиглахад үр дүнтэй арга болох нь тогтоогдов.

This paper investigates a multi-strategy lightweight optimization of the YOLOv8 framework, aiming to balance detection accuracy and computational efficiency for real-time edge deployment. We systematically evaluate four complementary optimization strategies, including three structural lightweight strategies — Dimensionality Reduction Preprocessing (DRP), BasicBlock substitution for C2f, and Adaptive Spatial Feature Fusion (ASFF) — combined with the Spatial Intersection over Union (SIoU) loss function for regression optimization. Ablation experiments on datasets of different scales indicate that limited data can lead to performance degradation from structural modifications, while larger datasets mitigate overfitting and support efficient model compression. The proposed YOLOv8-Light model, which integrates DRP, BasicBlock, ASFF, and SIoU, reduces the model size from 6.02 MB to 4.66 MB (a 22.6 % reduction) while maintaining comparable accuracy, with mean Average Precision @ IoU=0.5 (mAP50) decreasing marginally from 0.8364 to 0.8319. The YOLOv8-Light model demonstrates that a strategically designed lightweight architecture can achieve an optimal balance between computational efficiency and detection accuracy, providing a practical solution for resource-constrained embedded systems.

Хураангуй— Монголчуудын аман зохиол, түүхээр дамжин өвлөгдөж ирсэн олон арван судар номыг зуун зууныг өртөөлөн модон барын бүтээл болгон хэвлэж ирсэн түүх бидэнд бий. Монгол соёлын биет өв болсон энэ бүтээлүүдээсээ бид түүх соёл, өв уламжлалаа мэдэж, түгээн дэлгэрүүлсээр байна. Түүх археологийн олдвор, хуучин дурсгалуудыг орчин үеийн судалгааны арга ашиглан шинэ түвшинд судлан шинжилж буй өнөө үед модон барын бүтээлүүдийг ч шинэ аргаар судалж үзэх нь судлаачдын хийх ёстой ажил юм. Аман зохиолын салбарт ч орчин үеийн судалгааны аргууд нэвтрээд эхний үр дүнгүүд гарсан . Энэхүү судалгааны ажлаар бид монгол модон барын бүтээлийг гар бичмэлийн бүтээлээс ялган таних зорилгоор төрөл, ангилал, онцлогийг судлан улмаар машин сургалтын уламжлалт 11 арга ашиглан үр дүнг харьцуулан туршлаа. Үүгээрээ уламжлалт соёлын өв, хэл бичгийн судалгаа шинжилгээний ажилд машин сургалтын арга ашиглан судалж үзэх нь шинжлэх ухааны салбар дундын судалгааг хөгжүүлэх үр дүнтэй төдийгүй энэ талын судалгааг шинэ шатанд хөгжүүлэх боломжтойг харуулахыг зорилоо.

Үйлдвэрлэлийн салбарт туузан дамжуурга дээрх бүтээгдэхүүнийг бодит цаг хугацаанд үнэн зөв тоолох нь үйл ажиллагааны үр ашиг, бараа материалын менежментэд чухал ач холбогдолтой юм. Уламжлалт тоолох аргууд нь ихэвчлэн гар ажиллагаатай байдаг ба хөдөлмөрийн бүтээмж бага мөн автоматжуулалтад нэгтгэх боломж муу байдаг. Эдгээр асуудлыг шийдвэрлэхийн тулд энэ судалгаагаар компьютерын харааны техникт суурилсан автомат тоолох системийг санал болгож байна. Санал болгож буй систем нь хөдөлж буй туузан дамжуурга дээрх ууттай цементийг дээр байрлуулсан камерыг ашиглан автоматаар таньж тоолох юм. Хоцрогдолгүй бодит цагт нарийвчлалтай илрүүлэхийн тулд гүн сургалтын YOLO-ийг ашиглан ууттай цементийг илрүүлж, тоолоход ашигласан. Энэхүү загварыг үйлдвэрлэлийн орчинд найдвартай байдлыг хангах үүднээс янз бүрийн чиглэл, хүрээлэн буй орчны нөхцөлд цементийн зургийг агуулсан өгөгдлийн багцыг үүсгэн, түүн дээр сургасан. Боловсруулалтын дараах үе шатанд илрүүлсэн цементийг дагах, тоолсон. Системийг туршилтын өгөгдөл дээр илрүүлэлтийн дундаж нарийвчлал нь 98.6% (0.5 давхцал дээрх) байна. Уг системийн туршилтын үр дүн нь гар ажиллагаатай холбоотой үйл ажиллагааг бууруулж, үйл ажиллагааны үр ашгийг дээшлүүлж, үйлдвэрлэлийн орчинд өргөнөөр нэвтрүүлэхэд тохиромжтойг харуулж байна.

In this work, we present an efficient approach for detecting spherical objects, specifically balls, from point cloud data using the RANSAC (Random Sample Consensus) algorithm. The algorithm identifies spherical shapes(balls) within the point cloud while utilizing clustering methods, Euclidian and Region Growing clustering, to group detected spheres and enhance the distinction between multiple objects in close distance and proximity. To process those operations effectively and at a low cost, we used downsampling methods, specifically Voxel Grid and PassThrough filters, which can preserve critical geometric features and limit the analysis to regions of interest. Those approaches improve the accuracy of ball detection but are also suitable for real-time processing in robotics, augmented reality, and sports analytics applications. As a result, we output the desired number of ball objects (3-4 balls) in an average of 0.29 seconds.

Энэхүү судалгаагаар бид К-мийнс кластерингд (K-Means Clustering) суурилсан шуугианыг ялгах алгоритмыг танилцуулж байна. Энэ арга нь түүхий өгөгдөл дээр шууд боловсруулалт хийх ба гадаргуун цэгүүдийг шуугиантай болон шуугиангүйгээр ялгаж зөвхөн шуугиантай гадаргуун цэгүүдийн шуугианыг арилгадгаараа бусад аргаас давуу талтай юм. Бидний арга нь гадаргуун цэг бүрийн хөрш цэгийн тоон өөрчлөлт дээр К-мийнс кластеринг хийж шуугиантай гадаргууг ялгах юм. Энэхүү судалгаанд дөрвөн чиглэлд хэмжилт хийн сканерддаг төхөөрөмжөөр үүсгэгдсэн чулуун зэвсгийн цэгэн үүлний хэсэгчилсэн шуугианыг арилгасан ба үр дүнг үзүүлэв.

In this article, we have studied how the technology implementing the "Serverless" architecture is used in modern software development by automating the tasks required for server development technical operations, making them independent of developers and how these technologies can be used in possible situations, the advantages and disadvantages of cloud technology. It also shows how this architectural solution supports the creation of a complex software solution that replaces the current physical and non-physical servers as well as comparative study of pricing and scalability of our testing system using AWS (Amazon Web Services), which provides 33% of the total use of "Serverless" architecture.

Энэхүү судалгааны ажлаар хүүхдийн сэтгэл хөдлөл, хэвийн байдал, инээмсэглэлтэй царайг таних, дүн шинжилгээ хийсэн үр дүнг танилцуулж байна. Энэ танилцуулж аргачлал нь хүүхдийн сэтгэл хөдлөлийн царайнаас илрүүлэхийн тулд дүрс боловсруулалт машин сургалтын аргуудыг хослуулан хэрэглэж, өөрчлөлт ихтэй цөөн өгөгдөл дээр танилт хийх боломжийг эрэлхийлсэн болно. Туршилтын үр дүнгээр 3 төрлийн ангилалд дундажаар 75%-ийн зөв танилттай байна.

Recently, a video of famous politicians and superstars giving certain speeches surfaced online causing severe political and commercial problems. The video, although it seemed authentic, was fake. Therefore, in this study, using 37,936 videos sampled from the deep fake detection challenge (DFDC), we developed an efficient and highly accurate deepfake detection system using EfficientNet with dynamic images. Dynamic image transforms video sequences into one frame instance by conserving spatiotemporal information. The experimental results and comparative analysis indicate that EfficientNet with dynamic image exhibits higher performance than EfficientNet. We also found that dynamic images generated by 20 frames have a higher fake-face detection accuracy than simple images.

Horizon detection is useful in maritime image processing for various purposes, such as estimation of camera orientation, registration of consecutive frames, and restriction of the object search region. Existing horizon detection methods are based on edge extraction. For accuracy, they use multiple images, which are filtered with different filter sizes. However, this increases the processing time. In addition, these methods are not robust to blurting. Therefore, we developed a horizon detection method without extracting the candidates from the edge information by formulating the horizon detection problem as a global optimization problem. A horizon line in an image plane was represented by two parameters, which were optimized by an evolutionary algorithm (genetic algorithm). Thus, the local and global features of a horizon were concurrently utilized in the optimization process, which was accelerated by applying a coarse-to-fine strategy. As a result, we could detect the horizon line on high-resolution maritime images in about 50ms. The performance of the proposed method was tested on 49 videos of the Singapore marine dataset and the Buoy dataset, which contain over 16000 frames under different scenarios. Experimental results show that the proposed method can achieve higher accuracy than state-of-the-art methods.

Horizon detection is useful in maritime image processing for various purposes, such as spatial orientation estimation of ship camera and detection of the significant region for post-processing. This paper proposed a novel realtime optimization-based method for detecting the horizon line in maritime images. Traditional methods defined the horizon line detection problem aim to detect the horizon line which perfectly divides the whole image into two regions as the sky and sea. Thus, the complication of traditional methods is the statistical distance metrics of distributions are calculated in the whole image by all combinations of the horizon line parameters. Moreover, traditional methods do not provide realtime processing to detect the horizon line from high-resolution images. To achieve real-time processing on high-resolution images, this study defines the local features of the horizon line using a vanishing line characteristic and the optimization criteria. In addition, the optimization process is improved by combining a genetic algorithm and a coarse-to-fine approach. Our method applied the Singapore marine dataset and the Buoy dataset. To verify the proposed method, our result is compared to the state of the art methods. We confirm the proposed method can accurately detect the horizon line under different scenarios in real-time.