В роботі розглядається метод генерації фрактальниї камуфляжних структур (сіток) за допомогою рандомізованої системи ітераційних функцій. В даний метод закладена можливість змінювати основу структури (вид сітки), це в свою чергу дасть можливість визначати параметри, за допомогою яких даний об’єкт можна буде індентифікувати, як фрактальну камуфляжну сітку. В математичному описі удосконаленої РСІФ введено параметри діапазон кольорів (набір кольорів), який дозволить підлаштовувати фрактальну структуру до кольорів ланшафту, де буде застосовуватися камуфляжна сітка. Вибір кольорів для генератора фрактальних камуфляжних сіток є критичним аспектом, який впливає на ефективність маскування. Використання декількох відтінків, які відповідають природним кольорам оточення, дозволяє створювати камуфляжні структури, що майже неможливо відрізнити від реальних об'єктів на місцевості. Такий підхід забезпечує високу ступінь приховання та зменшує ймовірність виявлення замаскованих об'єктів навіть за допомогою сучасних сенсорних систем. Запропонована генерація на базі даного методу дозволить сформувати масив інформації для навчання нейронної мережі. Навчина нейронна мережа зможе визначити геометричні параметри камуфляжної структури. Ці параметри можна буде використати для ідентифікації об’єкта, який прихований під фракнтальною камуфляжною структурою. Розглянутий метод генерації дозволяє автоматизувати процес навчання нейронної мережі, що значно прискорює процес навчання, та зменшує пошук навчальних даних. Запропонований підхід дозволяє значно знижує ризик людських помилок та підвищує оперативність і ефективність військових операцій. Висока точність і адаптивність фрактального камуфляжу, згенерованого за допомогою удосконаленої РСІФ та нейронних мереж, робить цей метод перспективним для широкого впровадження у військових технологіях.
[1] X. Liang, J. Zhang, L. Zhuo, Y. Li, and Q. Tian, “Small object detection in unmanned aerial vehicle images using feature fusion and scaling-based single shot detector with spatial context analysis,” IEEE Trans. Circuits Syst. Video Technol., vol. 30, no. 6, pp. 1758–1770, 2020. https://doi.org/10.1109/TCSVT.2019.2905881
[2] Y. Liu, C.-Q. Wang, and Y.-J. Zhou, “Camouflaged people detection based on a semi-supervised search identification network,” Def. Technol., vol. 21, pp. 176–183, 2023. https://doi.org/10.1016/j.dt.2021.09.004
[3] S. Wang, D. Zeng, Y. Xu, G. Yang, F. Huang, and L. Chen, “Towards complex scenes: A deep learning-based camouflaged people detection method for snapshot multispectral images,” Def. Technol., vol. 34, pp. 269–281, 2024. https://doi.org/10.1016/j.dt.2023.12.011
[4] Y. Wen, W. Ke, and H. Sheng, “Camouflaged object detection based on deep learning with attention-guided edge detection and multi-scale context fusion,” Appl. Sci. (Basel), vol. 14, no. 6, p. 2494, 2024. https://doi.org/10.3390/app14062494
[5] X. Yang, W.-D. Xu, Q. Jia, and L. Li, “Research on digital camouflage pattern generation algorithm based on adversarial autoencoder network,” Intern. J. Pattern Recognit. Artif. Intell., vol. 34, no. 06, p. 2050017, 2020. https://doi.org/10.1142/S0218001420500172
[6] E. Van der Burg, M. A. Hogervorst, and A. Toet, “Measuring the dynamics of camouflage in natural scenes using convolutional neural networks,” in Target and Background Signatures VIII, 2022. https://doi.org/10.1117/12.2636107
[7] A. Lachkar, T. Gadi, R. Benslimane, L. D’Orazio, and E. Martuscelli, “Textile woven-fabric recognition by using Fourier image-analysis techniques: Part I: A fully automatic approach for crossed-points detection,” J. Text. Inst., vol. 94, no. 3–4, pp. 194–201, 2003. https://doi.org/10.1080/00405000308630608
[8] Van der Burg, E.; Toet, A.; Perone, P.; Hogervorst, M. A. A Convolutional Neural Network as a Potential Tool for Camouflage Assessment. Preprints 2024, 2024012072. https://doi.org/10.20944/preprints202401.2072.v2
[9] Юнак О. М., Климаш М. М., Шпур О. М., Мрак В. Б. Математична модель розпізнавання фрактальних структур з використанням технології нейронних мереж // Infocommunication Technologies and Electronic Engineering = Інфокомунікаційні технології та електронна інженерія. – 2023. – Vol. 3, № 1. – P. 1–9. https://doi.org/10.23939/ictee2023.01.001
[10] Юнак О., Стрихалюк Б., Климаш М. (2023). Ефективність рандомізованою системою ітераційних функцій над детермінованою системою ітераційних функцій при побудові фрактальних зображень з обмеженою роздільною здатністю. Measuring and computing devices in technological processes, (1), 5–12. https://doi.org/10.31891/2219-9365-2023-73-1-1