Автоматизированная обработка видовой информации с применением сверточных нейронных сетей
Abstract
В научной статье рассматривается проблема обнаружения, оценки параметров и классификации пространственно-распределённых объектов. Проводится обоснование выбора сверточной нейронной сети для решения задачи обнаружения. Описывается создание классификатора разноспектральных изображений. Классификатор позволяет осуществить подготовку изображений, увеличить исходную выборку, разметить объекты интереса, обучить сверточную нейронную сеть и детектировать объекты как из набора изображений, так и из видеофайла. В качестве демонстрации работы классификатора были выбраны радиолокационные изображения. Точность архитектуры разработанного обнаружителя составляет 97,1 %, что является достаточно приемлемым результатом при детектировании любых объектов на изображениях.
Keywords:
методы и технологии искусственного интеллекта – artificial intelligence methods and technologies; аэрокосмические изображения – aerospace images; сверточные нейронные сети – convolutional neural networks; детектирование – detection.
References
1. Вакуленко, С. А. Практический курс по нейронным сетям / С.А. Вакуленко, А.А. Жихарева. – Санкт-Петербург: Университет ИТМО, 2018. – 71 с.
2. Траск, Э. Грокаем глубокое обучение / Э. Траск. – Санкт-Петербург: Питер, 2019. – 352 с.
3. Гилязев, Р. А. Активное обучение и краудсорсинг: обзор методов оптимизации разметки данных / Р.А. Гилязев, Д.Ю. Турдаков // Труды Института системного программирования РАН. – 2018. – Т. 30, № 2. – С. 215–250.
4. Малыхина, Г. Ф. Элементы статистической концепции обучения нейронной сети и прогнозирование ее функционирования / Г.Ф. Малыхина, А.В. Меркушева // Научное приборостроение. – 2005. –Т. 15, № 1. – С. 29–45.
5. Кириченко, А. А. Нейропакеты – современный интеллектуальный инструмент исследователя. Сетевое электронное издание учебного пособия / А.А. Кириченко. – Москва: Национальный исследовательский университет «Высшая школа экономики», 2013. – 297 с.
6. Чорбаа, Н. А. Сравнительный анализ методов детектирования объектов на радиолокационных изображениях при помощи нейронных сетей / Н.А. Чорбаа, Ле Ань Ту, И.М. Толстой // Научный результат. Информационные технологии. – 2020. – Т. 5, № 4. – С. 15–25.
7. SAR Ship Detection Dataset (SSDD): Official Release and Comprehensive Data Analysis / T. Zhang, X. Zhang, Jianwei Li [et al.] // Remote Sensing MDPI. – 2021. – Vol. 13 (18). – P. 3690.
8. Окунев, С. В. Рассмотрение способов формирования наборов данных для обучения нейронных сетей / С.В. Окунев // Вестник науки и образования. – 2020. – № 2-3 (80). – С. 16–19.
9. Мониторинг объектов морского судоходства по аэрокосмическим данным дистанционного зондирования в СВЧ диапазоне с применением нейросетевых технологий / М.Л. Белокопытов, Д.А. Шленских, С.В. Морозов, С.В. Сирота // Журнал радиоэлектроники. – Электронный журнал. – 2022. – № 4. – URL: http://jre.cplire.ru/jre/apr22/index. html (дата обращения : 01.11.2022).
10. Искусственный интеллект в космической технике. Состояние. Перспективы применения. Монография / Под ред. А.Н. Балухто. – Москва: Радиотехника, 2021. – 440 с.