РАСШИРЕНИЕ ПРИЗНАКОВОГО ПРОСТРАНСТВА В ЗАДАЧЕ ПОИСКА И РАСПОЗНАВАНИЯ МАЛОРАЗМЕРНЫХ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ
Ключевые слова:
Обнаружение малоразмерных объектов, сверточные нейронные сети, подвижные объекты, переобучение нейронных сетейАннотация
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
