РАСШИРЕНИЕ ПРИЗНАКОВОГО ПРОСТРАНСТВА В ЗАДАЧЕ ПОИСКА И РАСПОЗНАВАНИЯ МАЛОРАЗМЕРНЫХ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ
Аннотация
Одним из актуальных направлений при создании систем раннего обнаружения объектов
является разработка алгоритмов поиска и распознавания малоразмерных объектов на изобра-
жениях. В задаче раннего обнаружения приходится распознавать объекты на дальних рас-
стояниях от места их фиксации камерой. Образ на изображении таких объектов представлен
малой компактной группой пикселей, которая претерпевает пространственные и яркостные
изменения от кадра к кадру. Для успешного решения этой задачи целевые объекты реального
мира должны иметь большие физические размеры. Кроме физических размеров объекта на
образ объекта на изображении влияют большое количество факторов: разрешение матрицы
камеры, фокусное расстояние объектива, светочувствительность матрицы и др. Вектор ре-
шения такой задачи направлен в сторону сверточных нейронных сетей. Однако, даже у передо-
вых архитектур сверточных нейронных сетей поиск и распознавание малоразмерных объектов
на изображениях вызывает трудности. Эта проблема напрямую связана с эффектом переобу-
чения модели нейронной сети. Переобучение модели нейронной сети можно оценить на основе
анализа кривых обучения. Для снижения вероятности переобучения применяют специальные
методы, которые объединяет термин регуляризация. Однако, в распознавании малоразмерных
объектов существующих методов регуляризации бывает недостаточно. В работе произведено
исследование разработанного алгоритма предварительной обработки последовательности
видеокадров, увеличивающего исходное пространство признаков новым независимым признаком
движения в кадре. Алгоритм предварительной обработки основан на пространственно-
временной фильтрации последовательности видеокадров, применение которого распространя-
ется на широкий спектр архитектур сверточных нейронных сетей. Для исследования характе-
ристик точности и распознавания сверточных нейронных сетей сформированы датасеты
изображений в градациях серого и изображений с признаком движения на основе среды разра-
ботки 3D графики Unreal Engine 5. В работе приведен критерий малоразмерности объектов на
изображениях. Произведено обучение и оценка характеристик точности тестовой модели
сверточной нейронной сети и анализ динамики кривых обучения тестовой модели. Показано
положительное влияние предложенного алгоритма предварительной обработки последова-
тельности видеокадров на интегральную точность обнаружения малоразмерных объектов
Литература
Computer Vision, Springer, Taipei, Taiwan, November, 2016. – P. 214-230.
2. Bochkovskiy A., Wang C.-Y., Mark Liao H.-Y. YOLOv4: Optimal Speed and Accuracy of Object
Detection // arXiv. – 2020. – Available at: https://arxiv.org/abs/2004.10934.
3. Hu G., Yang Z., Hu L., Huang L., Han J. Small Object Detection with Multiscale Features //
International Journal of Digital Multimedia Broadcasting. – 2018.
4. Nguyen N.-D., Do T., Ngo T. D., Le D.-D. An evaluation of deep learning methods for small
object detection // Journal of Electrical and Computer Engineering. – 2020.
5. Feng J. et al. Small Object Detection in Optical Remote Sensing Video with Motion Guided
R-CNN // IEEE International Geoscience and Remote Sensing Symposium, Waikoloa, HI,
USA, 2020. – P. 272-275.
6. Cao G., Xie X., Yang W., Liao Q., Shi G., Wu J. Feature-fused SSD: fast detection for small objects
// Ninth International Conference on Graphic and Image Processing (ICGIP 2017). – 2018.
7. Zhang X., Izquierdo E., Chandramouli K. Dense and Small Object Detection in UAV Vision
Based on Cascade Network // 2019 IEEE/CVF International Conference on Computer Vision
Workshop (ICCVW), Seoul, Korea (South), 2019. – P. 118-126.
8. Kisantal M., Wojna Z., Murawski J., Naruniec J., Cho K. Augmentation for small object detection
// arXiv. – 2019. – Available at:1902.07296.
9. Redmon J., Farhadi A. YOLOv3: An incremental improvement // arXiv. – 2018. – Available
at: https: arxiv.org/abs/1804.02767v1.
10. Liu W., Anguelov D., Erhan D. et al. SSD: single shot multibox detector // European Conference
on Computer Vision, vol. 9905 of Lecture Notes in Computer Science. – Springer, Cham,
Switzerland, 2016. – P. 21-37.
11. Zhou X., Wang D. Objects as Points // arXiv. – 2019. – Available at: ArXiv, abs/1904.07850.
12. Akyon F.C., Onur Altinuc S., Temizel A. Slicing Aided Hyper Inference and Fine-Tuning for
Small Object Detection // IEEE International Conference on Image Processing (ICIP), Bordeaux,
France, 2022. – P. 966-970.
13. Zhi T., Chunhua S., Hao C., Tong H. FCOS: Fully convolutional one-stage object detection //
Proceedings of the IEEE International Conference on Computer Vision (ICCV). – 2019.
– P. 9627-9636.
14. Smeelen M., Schwering P., Toet A., Loog M. Semi-hidden target recognition in gated viewer
images fused with thermal IR images // Inf. Fusion. – 2014. – P. 131-147.
15. Niu Y., Xu S., Wu L., et al. Airborne infrared and visible image fusion for target perception
based on target region segmentation and discrete wavelet transform[J] // Mathematical Problems
in Engineering. – 2012.
16. Liu S., Liu Z. Multi-Channel CNN-based Object Detection for Enhanced Situation Awareness
// arXiv. – 2020. – Available at: https://arxiv.org/ abs/1712.00075.
17. Lin T.-Y., Dollár P., Girshick R., He K., Hariharan B., Belongie S. Feature pyramid networks
for object detection // Proceedings of the IEEE Conference on Computer Vision and Pattern
Recognition (CVPR). – 2017. – P. 2117-2125.
18. Girshick R., Donahue J., Darrell T., Malik J. Rich feature hierarchies for accurate object detection
and semantic segmentation // Proceedings of the IEEE Conference on Computer Vision
and Pattern Recognition (CVPR). – 2014. – P. 580-587.
19. Верхаген К., Дейн Р., Грун Ф. и др. Распознавание образов. Состояние и перспективы.
– М.: Радио и связь, 1985. – 104 с.
20. Ковалев В.В. Сергеев Н.Е. Методы решения проблемы переобучения нейронных сетей в
задаче обнаружения малоразмерных объектов на изображениях // Международный кон-
гресс по интеллектуальным системам и информационным технологиям «IS&IT'23».
– 2023. – № 1. – C. 38-45.
21. Padilla R., Netto S.L., Silva E.A.B. A Survey on Performance Metrics for Object-Detection
Algorithms // 2020 International Conference on Systems, Signals and Image Processing
(IWSSIP), Niteroi, Brazil, 2020. – P. 237-242.
