Найти

Результаты поиска

• ПОВЫШЕНИЕ УСТОЙЧИВОСТИ ДЕТЕКЦИИ СИАМСКИХ СЕТЕЙ ПРИ ОГРАНИЧЕННОЙ РАЗМЕТКЕ С ОТБОРОМ ТРУДНЫХ ПРИМЕРОВ

  С. Е. Бабин , П.А. Гессен , В.А. Павлова , В.А. Тупиков

  2026-04-29

  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

• МНОГОАГЕНТНЫЙ АЛГОРИТМ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ НЕДЕТЕРМИНИРОВАННЫХ ОБЪЕКТОВ

  В. А. Тупиков, В. А. Павлова, В.А. Бондаренко, А. И. Лизин, Д. К. Ельцова, М. В. Созинова

  2020-07-10

  Аннотация ▼

  В целях разработки робастного алгоритма автоматического обнаружения и сопро-вождения недетерминированных объектов для встраиваемых вычислительных систем с оптико-электронными устройствами. В рамках данной работы произведено исследование и анализ имеющегося мирового научно-технического опыта в области алгоритмов автоматического сопровождения общего назначения. Наиболее успешные из исследованных алгоритмов, подходящие для долговременного устойчивого автоматического сопровожде-ния объектов (без априорного знания о типе объекта слежения) на сегодняшний день уже вышли за рамки решения задачи исключительно сопровождения, и включают в себя синерге-тическое сочетание нескольких разнородных алгоритмов сопровождения, а также как ми-нимум один алгоритм автоматического обнаружения и/или классификации. В статье пока-зано что наиболее устойчивые современные алгоритмы автоматического сопровождения представляют собой многоагентную систему, принимающую решение о текущем положе-нии, размерах и других параметрах сопровождаемого образа на основе интеллектуального голосования составляющих систему модулей, осуществляющих самостоятельное слежение за объектом и формирование его модели. Индивидуальные модели каждого из модулей уточ-няются по результатам принятия коллективного решения. Авторами исследования выделены наиболее эффективные из применяемых базовых алгоритмов, подходящие для применения во встраиваемых вычислительных системах робототехнических комплексов, и разработан новый многоагентный алгоритм автоматического обнаружения и сопровождения недетерми-нированных объектов. Представленный многоагентный алгоритм включает в себя модуль выделения и сопоставления ключевых точек на изображениях, модуль кластеризации и фильтрации ключевых точек с применением алгоритма DBSCAN, модуль сопровождения на основе алгоритма вычисления оптического потока и модуль классификации ключевых точек. Проведено полунатурное тестирование разработанного алгоритма и оценена его эффективность в решении задач не только автоматического сопровождения объектов, но и задач автоматического обнаружения объектов по нескольким эталонным образам. В заключении представлены предложения по дальнейшему повышению точности разработанного алгоритма и по его оптимизации и внедрению в состав специального программного обеспечения бортовых вычислительных систем летательных аппаратов.

• НЕЙРОСЕТЕВОЙ АЛГОРИТМ ПОЛНОКАДРОВОГО РАСПОЗНАВАНИЯ НАДВОДНЫХ ОБЪЕКТОВ В РЕАЛЬНОМ ВРЕМЕНИ

  В. А. Тупиков, В. А. Павлова, В. А. Бондаренко, Н. Г. Холод

  2020-07-10

  Аннотация ▼

  Исследованы современные нейросетевые архитектуры для осуществления автома-тического обнаружения и распознавания надводных объектов и препятствий заданных классов по всей области изображения, применимые к выполнению в реальном или условно реальном времени для задач оптоэлектронной системы технического зрения с целью ав-томатизации и повышения безопасности гражданского судовождения. Дана формальная постановка задачи автоматического обнаружения объектов на изображениях. Проанали-зирован текущий научно-исследовательский задел в области алгоритмов детектирования объектов на изображениях, основанных на искусственных свёрточных нейронных сетях, произведено их сравнение и сделан обоснованный выбор в пользу наиболее эффективной нейросетевой архитектуры по соотношению вычислительной сложности и точности распознавания. Исследованы имеющиеся в открытом доступе базы данных образов над-водных объектов, подходящие для применения при обучении алгоритмов с использованием искусственных нейронных сетей. Сделан вывод о недостаточности имеющихся данных для обучения нейросетевых алгоритмов, в результате чего авторами выполнен самостоятель-ный сбор исследовательских изображений и видеопоследовательностей, произведена под-готовка и разметка собранных данных, содержащих надводные объекты и иные препят-ствия, представляющие навигационную опасность для судов. На основе выбранной архи-тектуры разработан новый нейросетевой алгоритм автоматического обнаружения и распознавания надводных объектов, выполняемого по всей области изображения (т.е. пол-нокадрового), выполнено обучение искусственной нейронной сети по подготовленной базе данных образов типовых объектов. Полученный алгоритм протестирован авторами на валидационном наборе данных, произведена оценка качества его работы с помощью различных метрик, а также оценена производительность алгоритма. Сделаны выводы о необходимости расширения собранной базы данных образов типовых объектов, предложены дальнейшие шаги по повышению точности разработанного программно-алгоритмического комплекса и его внедрению в состав перспективной судовой оптоэлектронной системы технического зрения.

• АЛГОРИТМ ОБНАРУЖЕНИЯ ОБЪЕКТОВ ДЛЯ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ С ОБУЧЕНИЕМ В РЕАЛЬНОМ ВРЕМЕНИ

  В.А. Тупиков , В. А. Павлова , В. А. Бондаренко , М. В. Созинова , П.А. Гессен

  2021-04-04

  Аннотация ▼

  В целях создания нового алгоритма автоматического обнаружения объектов с обучением
  в реальном времени произведено исследование мирового научного задела в области автоматиче-
  ского сопровождения общего назначения с возможностью распознавания объекта слежения с
  потенциалом применения во встраиваемых вычислительных системах оптико-электронных
  систем перспективных робототехнических комплексов. На основе проведенных исследований
  отобраны и протестированы методы и подходы, которые позволяют с наибольшей точностью, при сохранении высокой вычислительной эффективности, обеспечивать обучение клас-
  сификаторов на лету (online learning) без априорного знания о типе объекта слежения и обес-
  печивать последующее обнаружение исходного объекта в случае его кратковременной потери.
  В число таких способов входит гистограмма направленных градиентов – дескриптор ключевых
  признаков, основывающийся на анализе распределения градиентов яркости изображения объ-
  екта. Его использование позволяет сократить количество используемой информации без поте-
  ри ключевых данных об объекте и увеличить скорость обработки изображений. В статье
  обоснован выбор одного из алгоритмов классификации в режиме реального времени, позволяю-
  щего решить задачу бинарной классификации – метода опорных векторов. В виду высокой ско-
  рости обработки данных и необходимости небольшого количества исходных обучающих дан-
  ных для построения разделяющей гиперплоскости, на основе которой и происходит классифи-
  кация объектов, данный метод выбран как наиболее подходящий для решения поставленной
  задачи. Для осуществления online-обучения была выбрана модификация метода опорных векто-
  ров, реализующая стохастический градиентный спуск на каждом шаге работы алгоритма –
  Pegasos. Авторами исследования проведена разработка и полунатурное моделирование выбран-
  ного алгоритма, проведена оценка эффективности его работы в задачах обнаружения объекта
  интереса в режиме реального времени с предварительным online-обучением в процессе слеже-
  ния за объектом. Разработанный алгоритм показал высокую эффективность при решении
  поставленной задачи и планируется к внедрению в составе специального программного обеспе-
  чения оптико-электронных систем перспективных робототехнических комплексов. В заключе-
  нии представлены предложения по дальнейшему повышению точности и вероятности обна-
  ружения объекта интереса разработанным алгоритмом, а также по повышению его произво-
  дительности путем оптимизации вычислений.

• КОРРЕЛЯЦИОННЫЙ АЛГОРИТМ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ С ОБУЧЕНИЕМ В РЕАЛЬНОМ ВРЕМЕНИ

  В. А. Тупиков , В. А. Павлова , А.Ю. Гагарина , П. А. Гессен , А.И. Лизин , М. В. Созинова

  2022-04-21

  Аннотация ▼

  Целью данной разработки является создание устойчивого алгоритма автоматиче-
  ского обнаружения и сопровождения недетерминированных объектов с обучением в реаль-
  ном времени, для встраиваемых вычислительных устройств оптико-электронныч систем.
  В рамках представленной работы произведено исследование и анализ имеющегося мирового
  научно-технического опыта в области алгоритмов автоматического сопровождения об-
  щего назначения. В статье показано что современные алгоритмы автоматического со-
  провождения представляют собой систему, принимающую решение о текущем положе-
  нии, размерах и других параметрах сопровождаемого образа на основе обучаемой модели.
  Авторами исследования выделены наиболее эффективные из применяемых базовых алго-
  ритмов, подходящие для применения во встраиваемых вычислительных системах робото-
  технических комплексов, и разработан новый алгоритм автоматического обнаружения и
  сопровождения недетерминированных объектов. Проведено полунатурное тестирование
  разработанного алгоритма и оценена его эффективность в решении задач не только ав-
  томатического сопровождения объектов, но и задач автоматического обнаружения объ-
  ектов по нескольким эталонным образам. В заключении представлены предложения по
  дальнейшему повышению точности разработанного алгоритма и по его оптимизации и
  внедрению в состав специального программного обеспечения бортовых вычислительных
  систем летательных аппаратов.

• РЕКУРСИВНЫЙ АЛГОРИТМ АНАЛИЗА И ВОССТАНОВЛЕНИЯ КОНТУРОВ В СИСТЕМАХ НАВИГАЦИИ И НАВЕДЕНИЯ

  В.А. Тупиков , В.А. Павлова , А.И. Лизин , П.А. Гессен , В.Д. Саенко

  2024-05-28

  Аннотация ▼

  В целях разработки алгоритма обнаружения объектов для встраиваемых вычислительных
  систем оптико-электронных комплексов, был проведен анализ имеющегося мирового научно-
  технического опыта, направленного на улучшение процесса выделения контуров. На основе прове-
  денного анализа, авторами статьи был разработан новый метод коррекции контурных изобра-
  жений. Этот метод реализует подход, позволяющий объединять разорванные контуры и приме-
  нять фильтрацию по различным параметрам для оптимальной анализа контуров. Первым этапом
  работы алгоритма является применение размытия изображения, за которым следует примене-
  ние алгоритма детекции границ Кенни. Затем происходит утоньшение контуров и фильтрация
  контурного изображения для удаления самых слабых контуров. Следующими этапами являются
  создание и обработка каждого отдельного контура, а также фильтрация выбросов. Заключи-
  тельным этапом является соединение и поиск точек перегиба контура. В рамках работы выделе-
  ны как преимущества, так и недостатки классических методов выделения контуров в контексте
  использования их в алгоритмах обнаружения объектов. Авторами исследования был проведен ана-
  лиз двух классических морфологических операторов - дилатации и эрозии, а также существующих
  основных вариаций их применения таких как открытие и закрытие, как методов объединения
  контуров. В результате сравнительного анализа результатов работы морфологических операто-
  ров дилатации и эрозии, а также основных вариаций их применения, с рекурсивным алгоритмом
  анализа и восстановления контуров было выявлено преимущество последнего в части сохранения
  целостности морфологических признаков объектов. Авторами предложены также идеи дальней-
  шего развития рекурсивного алгоритма анализа и восстановления контуров, а также его даль-
  нейшего применения в задачах обнаружения объектов на изображениях.

• ГИБРИДНЫЙ АЛГОРИТМ АВТОМАТИЧЕСКОГО СОПРОВОЖДЕНИЯ ДЛЯ ВСТРАИВАЕМЫХ ВЫЧИСЛИТЕЛЕЙ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ НАВИГАЦИИ И НАВЕДЕНИЯ

  В. А. Тупиков, В. А. Павлова , А.И. Лизин , П.А. Гессен, В. Д. Саенко

  2024-04-16

  Аннотация ▼

  Было произведено исследование в области систем технического зрения, а также подходов к
  решению задач обнаружения и сопровождения объектов интереса без априорного знания об их
  типе с учетом целевой платформы в виде встраиваемого вычислителя оптико-электронной
  системы. На основании полученных данных был произведен анализ сферы и предложен новый
  гибридный алгоритм сопровождения для встраиваемых систем. Он основан на сочетании
  нескольких типов алгоритмов сопровождения, с одним из них в качестве приоритетного,
  обеспечивающего основную работу, и нескольких вспомогательных для стабилизации и
  расширения функционала приоритетного. Они связаны внешним циклом обработки, который на
  основе консенсусного решения внутренних алгоритмов самостоятельно, принимает решение о
  положении целевого объекта в кадре и хранит в себе вспомогательную информацию для
  обеспечения корректной работы всего алгоритма, а также отвечающего за принятие решения о
  повторном обнаружении цели. Предложены две возможные реализации данного подхода используемые в зависимости от мощности доступных вычислительных ресурсов. Реализован
  вариант алгоритма для доступных вычислительных мощностей, проведены его полунатурные
  испытания на основании реальных видеопоследовательностей. Они представляют разные фоны и
  разные структурные объекты интереса с различной динамикой изменения с течением времени.
  Проведена оценка результатов работы предложенного алгоритма в задачах обнаружения и
  сопровождения объекта интереса в режиме реального времени на представленных видео при
  помощи программного комплекса автоматизации тестирования алгоритмов обнаружения и
  сопровождения. По итогу алгоритм показал высокую эффективность в поставленных задачах,
  улучшив точностные показатели сопровождения, в сравнении с внутренними алгоритмами,
  которые работали по-отдельности, за счет добавления поворотной и масштабной
  инвариантностей, а также значительно повысил способность к повторному обнаружению
  объекта после его потери. В заключении представлены предложения по дальнейшему развитию и
  внедрению во встраиваемые вычислители оптико-электронных систем.

• МОДУЛЬ КОРРЕКТИРОВКИ ПАРАМЕТРОВ АЛГОРИТМОВ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ ОБЪЕКТОВ ДЛЯ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ

  В. А. Тупиков, В. А. Павлова , А.И. Лизин , П.А. Гессен

  71-81

  2022-04-20

  Аннотация ▼

  В целях создания инновационного модуля автоматической корректировки алгорит-
  мов автоматического обнаружения и сопровождения объектов с обучением в реальном
  времени произведено исследование мирового опыта в области автоматического сопрово-
  ждения общего назначения с возможностью распознавания объекта сопровождения для
  применения во встраиваемых вычислительных устройствах оптико-электронных систем
  перспективных робототехнических комплексов. На основе проведенных исследований ото-
  браны и протестированы методы и подходы, которые позволяют с наибольшей точно-
  стью, при сохранении высокой вычислительной эффективности, обеспечивать обучение
  классификаторов на лету (online learning) без априорного знания о типе объекта слежения
  и обеспечивать последующую корректировку во время слежения и обнаружение исходного
  объекта в случае его кратковременной потери. В число таких способов входит гисто-
  грамма направленных градиентов – дескриптор ключевых признаков, основывающийся на
  анализе распределения градиентов яркости изображения объекта. Его использование по-
  зволяет сократить количество используемой информации без потери ключевых данных об
  объекте и увеличить скорость обработки изображений. В статье обоснован выбор одного
  из алгоритмов классификации в режиме реального времени, позволяющего решить задачу
  бинарной классификации – метода опорных векторов. В виду высокой скорости обработки
  данных и необходимости небольшого количества исходных обучающих данных для по-
  строения разделяющей гиперплоскости, на основе которой и происходит классификация
  объектов, данный метод выбран как наиболее подходящий для решения поставленной за-
  дачи. Для осуществления online-обучения была выбрана модификация метода опорных
  векторов, реализующая стохастический градиентный спуск на каждом шаге работы алго-
  ритма – Pegasos. Еще одним вспомогательным способом является метод кластеризации
  ключевых точек – таким образом обеспечивается ускоренный выбор объектов для обуче-
  ния и классификации. Авторами исследования проведена разработка и полунатурное моде-
  лирование предлагаемого модуля, проведена оценка эффективности его работы в задачах
  корректировки и обнаружения объекта интереса в режиме реального времени с предвари-
  тельным online-обучением в процессе слежения за объектом. Разработанный алгоритм
  показал высокую эффективность при решении поставленной задачи. В заключении пред-
  ставлены предложения по дальнейшему повышению точности и вероятности обнаруже-
  ния объекта интереса разработанным алгоритмом, а также по повышению его произво-
  дительности путем оптимизации вычислений.