ПОВЫШЕНИЕ УСТОЙЧИВОСТИ ДЕТЕКЦИИ СИАМСКИХ СЕТЕЙ ПРИ ОГРАНИЧЕННОЙ РАЗМЕТКЕ С ОТБОРОМ ТРУДНЫХ ПРИМЕРОВ
Аннотация
Цель работы – разработка и экспериментальная оценка метода повышения качества детекции морских судов на основе архитектуры Attention RPN при малом количестве обучающих данных с интеграцией межклассового выбора трудных отрицательных примеров. Для достижения цели реализованы: адаптация модели в режиме тонкой настройки на основе пяти примеров, формирование специализированного датасета из 9 категорий судов (637 обучающих и 175 валидационных изображений), а также алгоритм отбора трудных отрицательных пар по косинусной мере сходства. Методологическую основу составили подходы глубокого обучения для детекции объектов на основе сиамских нейронных сетей, анализ распределений признаков в пространстве и алгоритмы создания трудных отрицательных примеров с вычислением межклассовых расстояний на основе косинусной метрики. Экспериментальная оценка выполнена на стандартных бенчмарках для обнаружения объектов при малом количестве данных. Внедрение межклассового выбора трудных отрицательных примеров позволило сократить долю ложноположительных детекций на ~18% и повысить показатель mAP в среднем на ~6% по сравнению с базовой моделью без отбора трудных негативных примеров. Наибольший прирост (до 9,1%) зафиксирован для классов с крупными объектами интереса. Полученные результаты демонстрируют, что целенаправленный отбор межклассовых трудных отрицательных примеров существенно повышает устойчивость метрико-ориентированных детекторов в условиях сильного дисбаланса и высокой внутриклассовой схожести. Практическая значимость работы заключается в возможности применения предложенного подхода для развертывания систем видеонаблюдения в задачах при отсутствии большой обучающей выборки и минимальном объеме разметки
Список литературы
1. Zhao J., Masood R., Seneviratne S. A Review of Computer Vision Methods in Network Security, IEEE Communications Surveys & Tutorials, 2021, Vol. PP, pp. 1-1. doi: 10.1109/COMST.2021.3086475.
2. Casas E., Ramos L.T., Romero C., Rivas-Echeverría F. A Review of Computer Vision Applications for Asset Inspection in the Oil and Gas Industry, Journal of Pipeline Science and Engineering, 2025, Vol. 5(3), pp. 100246. doi: 10.1016/j.jpse.2024.100246.
3. Zhou L., Zhang L., Konz N. Computer Vision Techniques in Manufacturing, IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2022, Vol. 53 (1), pp. 105-117. doi: 10.1109/TSMC.2022.3166397.
4. Suguna A. Computer Vision for Autonomous Driving, International Journal of Innovative Research in Information Security, 2025, Vol. 11, pp. 846-850. doi: 10.26562/ijiris.2025.v1112.03.
5. Dilek E., Dener M. Computer Vision Applications in Intelligent Transportation Systems: A Survey, Sensors, 2023, Vol. 23 (6), pp. 2938. doi: 10.3390/s23062938.
6. Kabir M.M., Rahman A., Hasan M.N., Mridha M.F. Computer Vision Algorithms in Healthcare: Recent Advancements and Future Challenges, Computers in Biology and Medicine, 2025, Vol. 185,
pp. 109531. doi: 10.1016/j.compbiomed.2024.109531.
7. Gao J., Yang Y., Lin P., Park D. Computer Vision in Healthcare Applications, Journal of Healthcare Engineering, 2018, pp. 1-4. doi: 10.1155/2018/5157020.
8. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, Advances in Neural Information Processing Systems (NeurIPS), 2015, pp. 91-99.
9. Cong X., Li S., Chen F., Liu C., Meng Y. A Review of YOLO Object Detection Algorithms Based on Deep Learning, Frontiers in Computing and Intelligent Systems, 2023, Vol. 4(2), pp. 17-20. doi: 10.54097/fcis.v4i2.9730.
10. Lei M., Li S., Wu Y., Hu H., Zhou Y., Zheng X., Ding G., Du S., Wu Z., Gao Y. YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception, arXiv, 2025. doi: 10.48550/arXiv.2506.17733.
11. Carion N., Massa F., Synnaeve G., Usunier N., Kirillov A., Zagoruyko S. End-to-End Object Detection with Transformers, European Conference on Computer Vision (ECCV). Springer, 2020, pp. 213-229. doi: 10.1007/978-3-030-58452-8_13.
12. Shehzadi T., Hashmi K.A., Liwicki M., Stricker D., Afzal M.Z. Object Detection with Transformers:
A Review, Sensors, 2025, Vol. 25, pp. 6025. doi: 10.3390/s25196025.
13. Lin T.Y., Maire M., Belongie S., Hays J., Perona P., Ramanan D., Dollár P., Zitnick C.L. Microsoft COCO: Common Objects in Context, European Conference on Computer Vision (ECCV). Springer, 2014, pp. 740-755.
14. Everingham M., Van Gool L., Williams C.K.I., Winn J., Zisserman A. The Pascal Visual Object Classes (VOC) Challenge, International Journal of Computer Vision, 2010, Vol. 88 (2), pp. 303-338.
15. Kohler M., Eisenbach M., Gross H.M. Few-Shot Object Detection: A Comprehensive Survey, IEEE Transactions on Neural Networks and Learning Systems, 2023, Vol. PP. doi: 10.1109/TNNLS.2023.3265051.
16. Fan Q., Zhuo W., Tang C.K., Tai C.L. Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recogni-tion (CVPR), 2020, pp. 4013-4022.
17. OpenMMLab. MMFewShot: A Toolbox for Few Shot Learning Detection and Classification. Available at: https://mmfewshot.readthedocs.io/en/latest/ (accessed 14 January 2026).
18. Girshick R. Fast R-CNN, Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2015, pp. 1440–1448.
19. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770-778. doi: 10.1109/CVPR.2016.90.
20. Robbins H.E. A Stochastic Approximation Method, Annals of Mathematical Statistics, 1951, Vol. 22, pp. 400-407.
