Розпізнавання військової техніки за супутниковими знімками за допомогою ШІ

2025;
: cc. 47 - 59
1
Національний університет «Львівська політехніка», кафедра електронних обчислювальних машин
2
Національний університет «Львівська політехніка»,кафедра електронних обчислювальних машин

Дослідження систем навчання нейронних мереж, що використовуються для розпізнавання зображень військової техніки за допомогою відкритих, але обмежених супутникових зображень військової техніки. Реалізація виконується з погляду обробки додавання зображень у вигляді внутрішнього циклу, який заморожує всі числові параметри навчання нейронної мережі з одночасним вибором дещо більшої частини навчального набору, включаючи інкрементну частину штучних зображень, доданих до системи. Під час постановки цієї проблеми можна виділити дві широко використовувані мережі розпізнавання ResNet50 і Xception. Аналізуючи ці дві мережі, можна сказати, що в результаті дослідження найкращим методом навчання мережі є метод, який складається зі стратегії розширення даних. Це означає, що під час навчання ми можемо розширити базу образів, завдяки різним представленням цих образів.

  1. Keras API reference. URL: https://keras.io/api/.
  2. Redmon           J.,          Farhadi           A.          YOLOv3:An          incremental             improvement.URL:http://arxiv.org/abs/1804.02767.
  3. MathType. URL: http://www.mathtype.com.
  4. Hiippala T. Recognizing military vehicles in social media images using deep learning. In: IEEE International     Conference     on     Intelligence     and      Security      Informatics.      2017.      Doi: https/doi.org/ 10.1109/ISI.2017.8004875.
  5. Digital Geography Lab. (n.d). URL: https://github.com/DigitalGeographyLab/MilVehicles/.
  6. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay E. Scikit-learn: Machine learning in Python. Journal of Machine Learning. 2019. Doi: https://doi.org/10.48550/arXiv.1201.0490.
  7. He K., Zhang X., Ren S., J. Sun. Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2021. Doi: https://doi.org/10.48550/arXiv.1201.0490.
  8. Chollet F. Xception: deep learning with depth-wise separable convolutions. In: Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, 2020. Doi: https://doi.org/10.1109/CVPR.2017.195.
  9. Deng J., Dong W., Socher R., Li L.-J., Li K., Fei-Fei L. ImageNet: A large-scale hierarchical image database. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR’09). 2019. Doi: https/doi.org/    10.1109/CVPR.2009.5206848.
  10. Create           production-grade             machine           learning           models           with          TensorFlow.            URL:https://www.tensorflow.org/.
  11. Algorythm for hyper-parameter optimization. URL: https://papers.nips.cc/paper_files/paper/2011/ hash/86e8f7ab32cfd12577bc 2619bc635690-Abstract.html.
  12. Krizhevsky, A., Sutskever, I., Hinton, G. E. ImageNet classification with deep convolutional neural networks. In: Advances in Neural Information Processing Systems. 2012.Pp. 1097–110. Doi: https://doi.org/ 10.48550/arXiv.1201.0490.