Метод интеграции мультимодальной информации для обнаружения и прогнозирования дорожно-транспортных происшествий на основе нейросетевого подхода
Ключевые слова:
обнаружение дорожно-транспортных происшествий, предсказание кадров и местоположения, контекст сцены, состязательное обучение, машинное зрение, машинное обучение, искусственный интеллект, искусственные нейронные сети
Аннотация
Предложен метод обнаружения дорожно-транспортных происшествий (ДТП) по видео с регистратора, находящегося в автомобиле. Метод использует нейронные сети и не требует разметки для обучения, поскольку использует Unsupervised Learning. Дорожно-транспортное происшествие рассматривается как аномалия (Out of Distribution), так как происходит достаточно редко. Критерием нахождения аномалий является отличие предсказанного кадра от реально наблюдаемого. Сравнение кадров происходит по трём критериям — попиксельному сравнению кадра, пересечению выделенных областей участников ДПТ и близости контекстного представления (КП) всей сцены дорожного движения. Новизной работы стало объединение различных критериев при сравнение сцены. Впервые предложен метод анализа контекста сцены на основе графовой нейронной сети и генеративно-состязательных моделей.
Предложенный метод состоит из четырёх базовых блоков —обработки изображения, обработки оптического потока, обнаружения (Bounding Box) участников дорожного движения и контекстного анализа сцены. В первых трёх блоках с помощью предобученных энкодеров извлекаются признаки (Embedding), необходимые для предсказания последующего кадра. Предсказанный кадр, оптический поток и блоки обнаружения поступают в графовую сеть, где происходит объединение всех модальностей. С помощью генеративно-состязательной модели GAN осуществляется модификация выхода графовой нейронной сети для предсказанного кадра таким образом, чтобы она была минимально отличима от контекстных признаков реального кадра. Если такое отличие всё же оказывается существенным, то это свидетельствует о высокой вероятности дорожно-транспортного происшествия.
Литература
1. World Health Organization. Global Status Report on Road Safety [Электрон. ресурс] https://www.who.int/publications/i/item/9789240086517 (дата обращения 20.01.2025).
2. Kholmatov U.S. e. a. Causing Factors of Road Transport Incidents in Traffic // Intern. J. Education, Social Sci. & Humanities. 2024. V. 12(5). Pp. 1524—1534.
3. Ghahremannezhad H., Shi H., Liu C. A Real Time Accident Detection Framework for Traffic Video Analysis // Proc. XVI Intern. Conf. Machine Learning and Data Mining. 2020. Pp. 77—92.
4. Sun Y., Mallick T., Balaprakash P., Macfarlane J. A Datacentric Weak Supervised Learning for Highway Traffic Incident Detection // Accident Analysis and Prevention. 2022. V. 176. P. 106779.
5. Sherimon V. e. a. An Overview of Different Deep Learning Techniques Used in Road Accident Detection // Intern. J. Advanced Computer Sci. & Appl. 2023. V. 14(11). P. 0141144.
6. Shunsuke Kamijo e. a. Traffic Monitoring and Accident Detection at Intersections // IEEE Trans. Intelligent Transportation Syst. 2000. V. 1. Pp. 108—118.
7. Xu Y. Traffic Incident Detection Based on HMM // Proc. IEEE Third Intern. Conf. Information Sci. and Technol. Yangzhou, 2013. Pp. 942—945.
8. Kimin Yun e. a. Motion Interaction Field for Accident Detection in Traffic Surveillance Video // Proc. XXII Intern. Conf. Pattern Recognition. 2014. Pp. 3062—3067.
9. Dogru N, Subasi A. Traffic Accident Detection Using Random Forest Classifier // Proc. XV Learning and Technol. Conf. 2018. Pp. 40—45.
10. Haresh S. e. a. Towards Anomaly Detection in Dashcam Videos // Proc. IEEE IV Intelligent Vehicles Symp. 2020. Pp. 1407—1414.
11. Li S., Fang J., Xu H., Xue J. Video Frame Prediction by Deep Multi-branch Mask Network // IEEE Trans. Circuits Syst. Video Technol. 2021. V. 31(4). Pp. 1283—1295.
12. Hasan M. e. a. Learning Temporal Regularity in Video Sequences // Proc. IEEE Conf. Computer Vision and Pattern Recognition. 2016. Pp. 733—742.
13. Liu W. e a. Future Frame Prediction for Anomaly Detection — a New Baseline // Proc. IEEE Conf. Computer Vision and Pattern Recognition. 2018. Pp. 6536—6545.
14. Yu Yao e. a. DoTA: Unsupervised Detection of Traffic Anomaly in Driving Videos // IEEE Trans. Pattern Anal. Mach. Intell. 2023. V. 45(1). Pp. 444—459.
15. Васюк М.А., Карпета Т.В. Алгоритм обнаружения дорожно-транспортных происшествий на перекрестках в режиме реального времени с помощью нейронной сети YOLOv4 // Южно-Уральская молодежная школа по математическому моделированию: Сб. трудов IV Всеросс. науч.-техн. конф. Челябинск: Издат. центр ЮУрГУ, 2021. С. 51—58.
16. Ротарь В.Г., Беляев С.И. Обнаружение автомобильных аварий в реальном времени с применением нейросети архитектуры YOLOv3 // Молодежь и современные информационные технологии: Сб. трудов XVIII Междунар. науч.-практ. конф. студентов, аспирантов и молодых учёных. Томск: Томский политехн. ун-т, 2021. С. 49—50.
17. Hajri F., Fradi H. Vision Transformers for Road Accident Detection from Dashboard Cameras // Proc. XVIII Intern. Conf. Advances Video and Signal Based Surveillance. 2022. Pp. 1—8.
18. Khan S. e. a. Transformers in Vision: a Survey // ACM Comput. Surv. 2022. V. 54(10). Pp. 1—41.
19. Yu Yao e. a. Unsupervised Traffic Accident Detection in First-person Videos // Proc. IEEE Intern. Conf. Intelligent Robots and Systems. Macau, 2019. Pp. 273—280.
20. Girshick R. Fast R-CNN // Proc. IEEE Intern. Conf. Computer Vision. 2015. Pp. 1440—1448.
21. Wojke N., Bewley A., Paulus D. Simple Online and Realtime Tracking with a Deep Association Metric // Proc. IEEE Intern. Conf. Image Proc. Beijing, 2017. Pp. 3645—3649.
22. He K. e. a. Mask R-CNN // IEEE Intern. Conf. Computer Vision. 2017. Pp. 2980—2988.
23. Kipf T.N., Welling M. Semi-supervised Classification with Graph Convolutional Networks // Proc. Intern. Conf. Learning Representations. 2017. Pp. 1—14.
24. Goodfellow I. e. a. Generative Adversarial Networks // Communications of the ACM. 2020. V. 63(11). Pp. 139—144.
25. Schafer R.W. What is a Savitzky-Golay filter? // IEEE Signal Process. Mag. 2011. V. 28(4). Pp. 111—117.
26. Fang J. e. a. DADA-2000: Can Driving Accident be Predicted by Driver Attention? Analyzed by a Benchmark // Proc. IEEE Intelligent Transportation Syst. Conf. Aucklend, 2019. Pp. 4303—4309.
27. Yao Y. e. a. Egocentric Vision-based Future Vehicle Localization for Intelligent Driving Assistance Systems // Proc. Intern. Conf. Robotics and Automation. Montreal, 2019. Pp. 9711—9717.
---
цитирования: Цяо Цзяхуань, Кружилов И.С., Шамаева О.Ю. Метод интеграции мультимодальной информации для обнаружения и прогнозирования дорожно-транспортных происшествий на основе нейросетевого подхода // Вестник МЭИ. 2025. № 3. С. 153—160. DOI: 10.24160/1993-6982-2025-3-153-160
---
Конфликт интересов: авторы заявляют об отсутствии конфликта интересов
#
1. World Health Organization. Global Status Report on Road Safety [Elektron. Resurs] https://www.who.int/publications/i/item/9789240086517 (Data Obrashcheniya 20.01.2025).
2. Kholmatov U.S. e. a. Causing Factors of Road Transport Incidents in Traffic. Intern. J. Education, Social Sci. & Humanities. 2024;12(5):1524—1534.
3. Ghahremannezhad H., Shi H., Liu C. A Real Time Accident Detection Framework for Traffic Video Analysis. Proc. XVI Intern. Conf. Machine Learning and Data Mining. 2020:77—92.
4. Sun Y., Mallick T., Balaprakash P., Macfarlane J. A Datacentric Weak Supervised Learning for Highway Traffic Incident Detection. Accident Analysis and Prevention. 2022;176:106779.
5. Sherimon V. e. a. An Overview of Different Deep Learning Techniques Used in Road Accident Detection. Intern. J. Advanced Computer Sci. & Appl. 2023;14(11):0141144.
6. Shunsuke Kamijo e. a. Traffic Monitoring and Accident Detection at Intersections. IEEE Trans. Intelligent Transportation Syst. 2000;1:108—118.
7. Xu Y. Traffic Incident Detection Based on HMM. Proc. IEEE Third Intern. Conf. Information Sci. and Technol. Yangzhou, 2013:942—945.
8. Kimin Yun e. a. Motion Interaction Field for Accident Detection in Traffic Surveillance Video. Proc. XXII Intern. Conf. Pattern Recognition. 2014:3062—3067.
9. Dogru N, Subasi A. Traffic Accident Detection Using Random Forest Classifier. Proc. XV Learning and Technol. Conf. 2018:40—45.
10. Haresh S. e. a. Towards Anomaly Detection in Dashcam Videos. Proc. IEEE IV Intelligent Vehicles Symp. 2020:1407—1414.
11. Li S., Fang J., Xu H., Xue J. Video Frame Prediction by Deep Multi-branch Mask Network. IEEE Trans. Circuits Syst. Video Technol. 2021;31(4):1283—1295.
12. Hasan M. e. a. Learning Temporal Regularity in Video Sequences. Proc. IEEE Conf. Computer Vision and Pattern Recognition. 2016:733—742.
13. Liu W. e a. Future Frame Prediction for Anomaly Detection — a New Baseline. Proc. IEEE Conf. Computer Vision and Pattern Recognition. 2018:6536—6545.
14. Yu Yao e. a. DoTA: Unsupervised Detection of Traffic Anomaly in Driving Videos. IEEE Trans. Pattern Anal. Mach. Intell. 2023;45(1):444—459.
15. Vasyuk M.A., Karpeta T.V. Algoritm Obnaruzheniya Dorozhno-transportnykh Proisshestviy na Perekrestkakh v Rezhime Real'nogo Vremeni s Pomoshch'yu Neyronnoy Seti Yolov4. Yuzhno-Ural'skaya Molodezhnaya Shkola po Matematicheskomu Modelirovaniyu: Sb. Trudov IV Vseross. Nauch.-tekhn. Konf. Chelyabinsk: Izdat. Tsentr YUUrGU, 2021:51—58. (in Russian).
16. Rotar' V.G., Belyaev S.I. Obnaruzhenie Avtomobil'nykh Avariy v Real'nom Vremeni s Primeneniem Neyroseti Arkhitektury YOLOv3. Molodezh' i Sovremennye Informatsionnye Tekhnologii: Sb. Trudov XVIII Mezhdunar. Nauch.-prakt. Konf. Studentov, Aspirantov i Molodykh Uchenykh. Tomsk: Tomskiy Politekhn. Un-t, 2021:49—50. (in Russian).
17. Hajri F., Fradi H. Vision Transformers for Road Accident Detection from Dashboard Cameras. Proc. XVIII Intern. Conf. Advances Video and Signal Based Surveillance. 2022:1—8.
18. Khan S. e. a. Transformers in Vision: a Survey. ACM Comput. Surv. 2022;54(10):1—41.
19. Yu Yao e. a. Unsupervised Traffic Accident Detection in First-person Videos. Proc. IEEE Intern. Conf. Intelligent Robots and Systems. Macau, 2019:273—280.
20. Girshick R. Fast R-CNN. Proc. IEEE Intern. Conf. Computer Vision. 2015:1440—1448.
21. Wojke N., Bewley A., Paulus D. Simple Online and Realtime Tracking with a Deep Association Metric. Proc. IEEE Intern. Conf. Image Proc. Beijing, 2017:3645—3649.
22. He K. e. a. Mask R-CNN. IEEE Intern. Conf. Computer Vision. 2017:2980—2988.
23. Kipf T.N., Welling M. Semi-supervised Classification with Graph Convolutional Networks. Proc. Intern. Conf. Learning Representations. 2017:1—14.
24. Goodfellow I. e. a. Generative Adversarial Networks. Communications of the ACM. 2020;63(11):139—144.
25. Schafer R.W. What is a Savitzky-Golay filter?. IEEE Signal Process. Mag. 2011;28(4):111—117.
26. Fang J. e. a. DADA-2000: Can Driving Accident be Predicted by Driver Attention? Analyzed by a Benchmark. Proc. IEEE Intelligent Transportation Syst. Conf. Aucklend, 2019:4303—4309.
27. Yao Y. e. a. Egocentric Vision-based Future Vehicle Localization for Intelligent Driving Assistance Systems. Proc. Intern. Conf. Robotics and Automation. Montreal, 2019:9711—9717
---
For citation: Qiao Jiahuan, Kruzhilov I.S., Shamaeva O.Yu. Multimodal Information Integration Method for Road Traffic Accident Detection and Prediction by the Neural Network Method. Bulletin of MPEI. 2025;3:153—160. (in Russian). DOI: 10.24160/1993-6982-2025-3-153-160
---
Conflict of interests: the authors declare no conflict of interest
2. Kholmatov U.S. e. a. Causing Factors of Road Transport Incidents in Traffic // Intern. J. Education, Social Sci. & Humanities. 2024. V. 12(5). Pp. 1524—1534.
3. Ghahremannezhad H., Shi H., Liu C. A Real Time Accident Detection Framework for Traffic Video Analysis // Proc. XVI Intern. Conf. Machine Learning and Data Mining. 2020. Pp. 77—92.
4. Sun Y., Mallick T., Balaprakash P., Macfarlane J. A Datacentric Weak Supervised Learning for Highway Traffic Incident Detection // Accident Analysis and Prevention. 2022. V. 176. P. 106779.
5. Sherimon V. e. a. An Overview of Different Deep Learning Techniques Used in Road Accident Detection // Intern. J. Advanced Computer Sci. & Appl. 2023. V. 14(11). P. 0141144.
6. Shunsuke Kamijo e. a. Traffic Monitoring and Accident Detection at Intersections // IEEE Trans. Intelligent Transportation Syst. 2000. V. 1. Pp. 108—118.
7. Xu Y. Traffic Incident Detection Based on HMM // Proc. IEEE Third Intern. Conf. Information Sci. and Technol. Yangzhou, 2013. Pp. 942—945.
8. Kimin Yun e. a. Motion Interaction Field for Accident Detection in Traffic Surveillance Video // Proc. XXII Intern. Conf. Pattern Recognition. 2014. Pp. 3062—3067.
9. Dogru N, Subasi A. Traffic Accident Detection Using Random Forest Classifier // Proc. XV Learning and Technol. Conf. 2018. Pp. 40—45.
10. Haresh S. e. a. Towards Anomaly Detection in Dashcam Videos // Proc. IEEE IV Intelligent Vehicles Symp. 2020. Pp. 1407—1414.
11. Li S., Fang J., Xu H., Xue J. Video Frame Prediction by Deep Multi-branch Mask Network // IEEE Trans. Circuits Syst. Video Technol. 2021. V. 31(4). Pp. 1283—1295.
12. Hasan M. e. a. Learning Temporal Regularity in Video Sequences // Proc. IEEE Conf. Computer Vision and Pattern Recognition. 2016. Pp. 733—742.
13. Liu W. e a. Future Frame Prediction for Anomaly Detection — a New Baseline // Proc. IEEE Conf. Computer Vision and Pattern Recognition. 2018. Pp. 6536—6545.
14. Yu Yao e. a. DoTA: Unsupervised Detection of Traffic Anomaly in Driving Videos // IEEE Trans. Pattern Anal. Mach. Intell. 2023. V. 45(1). Pp. 444—459.
15. Васюк М.А., Карпета Т.В. Алгоритм обнаружения дорожно-транспортных происшествий на перекрестках в режиме реального времени с помощью нейронной сети YOLOv4 // Южно-Уральская молодежная школа по математическому моделированию: Сб. трудов IV Всеросс. науч.-техн. конф. Челябинск: Издат. центр ЮУрГУ, 2021. С. 51—58.
16. Ротарь В.Г., Беляев С.И. Обнаружение автомобильных аварий в реальном времени с применением нейросети архитектуры YOLOv3 // Молодежь и современные информационные технологии: Сб. трудов XVIII Междунар. науч.-практ. конф. студентов, аспирантов и молодых учёных. Томск: Томский политехн. ун-т, 2021. С. 49—50.
17. Hajri F., Fradi H. Vision Transformers for Road Accident Detection from Dashboard Cameras // Proc. XVIII Intern. Conf. Advances Video and Signal Based Surveillance. 2022. Pp. 1—8.
18. Khan S. e. a. Transformers in Vision: a Survey // ACM Comput. Surv. 2022. V. 54(10). Pp. 1—41.
19. Yu Yao e. a. Unsupervised Traffic Accident Detection in First-person Videos // Proc. IEEE Intern. Conf. Intelligent Robots and Systems. Macau, 2019. Pp. 273—280.
20. Girshick R. Fast R-CNN // Proc. IEEE Intern. Conf. Computer Vision. 2015. Pp. 1440—1448.
21. Wojke N., Bewley A., Paulus D. Simple Online and Realtime Tracking with a Deep Association Metric // Proc. IEEE Intern. Conf. Image Proc. Beijing, 2017. Pp. 3645—3649.
22. He K. e. a. Mask R-CNN // IEEE Intern. Conf. Computer Vision. 2017. Pp. 2980—2988.
23. Kipf T.N., Welling M. Semi-supervised Classification with Graph Convolutional Networks // Proc. Intern. Conf. Learning Representations. 2017. Pp. 1—14.
24. Goodfellow I. e. a. Generative Adversarial Networks // Communications of the ACM. 2020. V. 63(11). Pp. 139—144.
25. Schafer R.W. What is a Savitzky-Golay filter? // IEEE Signal Process. Mag. 2011. V. 28(4). Pp. 111—117.
26. Fang J. e. a. DADA-2000: Can Driving Accident be Predicted by Driver Attention? Analyzed by a Benchmark // Proc. IEEE Intelligent Transportation Syst. Conf. Aucklend, 2019. Pp. 4303—4309.
27. Yao Y. e. a. Egocentric Vision-based Future Vehicle Localization for Intelligent Driving Assistance Systems // Proc. Intern. Conf. Robotics and Automation. Montreal, 2019. Pp. 9711—9717.
---
цитирования: Цяо Цзяхуань, Кружилов И.С., Шамаева О.Ю. Метод интеграции мультимодальной информации для обнаружения и прогнозирования дорожно-транспортных происшествий на основе нейросетевого подхода // Вестник МЭИ. 2025. № 3. С. 153—160. DOI: 10.24160/1993-6982-2025-3-153-160
---
Конфликт интересов: авторы заявляют об отсутствии конфликта интересов
#
1. World Health Organization. Global Status Report on Road Safety [Elektron. Resurs] https://www.who.int/publications/i/item/9789240086517 (Data Obrashcheniya 20.01.2025).
2. Kholmatov U.S. e. a. Causing Factors of Road Transport Incidents in Traffic. Intern. J. Education, Social Sci. & Humanities. 2024;12(5):1524—1534.
3. Ghahremannezhad H., Shi H., Liu C. A Real Time Accident Detection Framework for Traffic Video Analysis. Proc. XVI Intern. Conf. Machine Learning and Data Mining. 2020:77—92.
4. Sun Y., Mallick T., Balaprakash P., Macfarlane J. A Datacentric Weak Supervised Learning for Highway Traffic Incident Detection. Accident Analysis and Prevention. 2022;176:106779.
5. Sherimon V. e. a. An Overview of Different Deep Learning Techniques Used in Road Accident Detection. Intern. J. Advanced Computer Sci. & Appl. 2023;14(11):0141144.
6. Shunsuke Kamijo e. a. Traffic Monitoring and Accident Detection at Intersections. IEEE Trans. Intelligent Transportation Syst. 2000;1:108—118.
7. Xu Y. Traffic Incident Detection Based on HMM. Proc. IEEE Third Intern. Conf. Information Sci. and Technol. Yangzhou, 2013:942—945.
8. Kimin Yun e. a. Motion Interaction Field for Accident Detection in Traffic Surveillance Video. Proc. XXII Intern. Conf. Pattern Recognition. 2014:3062—3067.
9. Dogru N, Subasi A. Traffic Accident Detection Using Random Forest Classifier. Proc. XV Learning and Technol. Conf. 2018:40—45.
10. Haresh S. e. a. Towards Anomaly Detection in Dashcam Videos. Proc. IEEE IV Intelligent Vehicles Symp. 2020:1407—1414.
11. Li S., Fang J., Xu H., Xue J. Video Frame Prediction by Deep Multi-branch Mask Network. IEEE Trans. Circuits Syst. Video Technol. 2021;31(4):1283—1295.
12. Hasan M. e. a. Learning Temporal Regularity in Video Sequences. Proc. IEEE Conf. Computer Vision and Pattern Recognition. 2016:733—742.
13. Liu W. e a. Future Frame Prediction for Anomaly Detection — a New Baseline. Proc. IEEE Conf. Computer Vision and Pattern Recognition. 2018:6536—6545.
14. Yu Yao e. a. DoTA: Unsupervised Detection of Traffic Anomaly in Driving Videos. IEEE Trans. Pattern Anal. Mach. Intell. 2023;45(1):444—459.
15. Vasyuk M.A., Karpeta T.V. Algoritm Obnaruzheniya Dorozhno-transportnykh Proisshestviy na Perekrestkakh v Rezhime Real'nogo Vremeni s Pomoshch'yu Neyronnoy Seti Yolov4. Yuzhno-Ural'skaya Molodezhnaya Shkola po Matematicheskomu Modelirovaniyu: Sb. Trudov IV Vseross. Nauch.-tekhn. Konf. Chelyabinsk: Izdat. Tsentr YUUrGU, 2021:51—58. (in Russian).
16. Rotar' V.G., Belyaev S.I. Obnaruzhenie Avtomobil'nykh Avariy v Real'nom Vremeni s Primeneniem Neyroseti Arkhitektury YOLOv3. Molodezh' i Sovremennye Informatsionnye Tekhnologii: Sb. Trudov XVIII Mezhdunar. Nauch.-prakt. Konf. Studentov, Aspirantov i Molodykh Uchenykh. Tomsk: Tomskiy Politekhn. Un-t, 2021:49—50. (in Russian).
17. Hajri F., Fradi H. Vision Transformers for Road Accident Detection from Dashboard Cameras. Proc. XVIII Intern. Conf. Advances Video and Signal Based Surveillance. 2022:1—8.
18. Khan S. e. a. Transformers in Vision: a Survey. ACM Comput. Surv. 2022;54(10):1—41.
19. Yu Yao e. a. Unsupervised Traffic Accident Detection in First-person Videos. Proc. IEEE Intern. Conf. Intelligent Robots and Systems. Macau, 2019:273—280.
20. Girshick R. Fast R-CNN. Proc. IEEE Intern. Conf. Computer Vision. 2015:1440—1448.
21. Wojke N., Bewley A., Paulus D. Simple Online and Realtime Tracking with a Deep Association Metric. Proc. IEEE Intern. Conf. Image Proc. Beijing, 2017:3645—3649.
22. He K. e. a. Mask R-CNN. IEEE Intern. Conf. Computer Vision. 2017:2980—2988.
23. Kipf T.N., Welling M. Semi-supervised Classification with Graph Convolutional Networks. Proc. Intern. Conf. Learning Representations. 2017:1—14.
24. Goodfellow I. e. a. Generative Adversarial Networks. Communications of the ACM. 2020;63(11):139—144.
25. Schafer R.W. What is a Savitzky-Golay filter?. IEEE Signal Process. Mag. 2011;28(4):111—117.
26. Fang J. e. a. DADA-2000: Can Driving Accident be Predicted by Driver Attention? Analyzed by a Benchmark. Proc. IEEE Intelligent Transportation Syst. Conf. Aucklend, 2019:4303—4309.
27. Yao Y. e. a. Egocentric Vision-based Future Vehicle Localization for Intelligent Driving Assistance Systems. Proc. Intern. Conf. Robotics and Automation. Montreal, 2019:9711—9717
---
For citation: Qiao Jiahuan, Kruzhilov I.S., Shamaeva O.Yu. Multimodal Information Integration Method for Road Traffic Accident Detection and Prediction by the Neural Network Method. Bulletin of MPEI. 2025;3:153—160. (in Russian). DOI: 10.24160/1993-6982-2025-3-153-160
---
Conflict of interests: the authors declare no conflict of interest
Опубликован
2025-04-22
Выпуск
Раздел
Информатика и информационные процессы (технические науки) (2.3.8.)
