Метод розпізнавання об’єктів на тепловізійних зображеннях

У статті розв’язана задача підвищення точності автоматизованого виявлення об’єктів на тепловізійних зображеннях в умовах низького контрасту, шумів сенсора та структурної невиз-наченості місцевості. Актуальність дослідження зумовлена зростаючим використанням безпілотних літальних апаратів для моніторингу та розвідки, де тепловізійні системи є ключовим джерелом інформації в умовах обмеженої видимості. Стандартні архітектури згорткових нейронних мереж, зокрема детектори сімейства YOLO, демонструють високу швидкодію, однак їх ефективність зни-жується при роботі з інфрачервоними зображеннями через специфіку теплових сигнатур та наявність імпульсних шумів. У цій роботі запропоновано метод спектральної агрегації ознак на основі сингулярного розкладу матриць (SVD), інтегрований у механізм пулінгу нейронної мережі YOLOv8. На відміну від традиційних операцій Max Pooling та Average Pooling, розроблений SVD-пулінг виконує локальну спектральну фільтрацію карт ознак із виділенням найбільшої сингулярної компоненти, що відповідає структурно значущій частині сигналу. Такий підхід дозволяє ефективно пригнічувати високочастотний тепловий шум і зберігати просторові патерни об’єктів. Розроблено модифіковану архітектуру YOLOv8-EPB-Lite-SVD на базі EfficientNet-B0 та BiFPN із впровадженими модулями спектральної фільтрації. Проведено експериментальну верифікацію моделі на наборі тепловізійних зображень, отриманих з безпілотних платформ. Встановлено, що інтеграція SVD-пулінгу забезпечує підвищення метрики Precision до 0,881 та досягнення mAP@50 на рівні 0,852 при збереженні кількості параметрів моделі на рівні 4,56 млн. Отримані результати є статистично еквівалентними показникам «важких» архітектур із чотириразово більшою кількістю параметрів. Досліджено вплив точності обчислень на стабільність алгоритму. Показано, що використання повної точності (FP32) є критично необхідним для уникнення втрати значущості малих сингулярних чисел у режимі змішаної точності (FP16).