Для авторов
Найти
Результаты поиска
Найдено результатов: 5.
-
МОДУЛЬ КОРРЕКТИРОВКИ ПАРАМЕТРОВ АЛГОРИТМОВ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ ОБЪЕКТОВ ДЛЯ ОПТИКО-ЭЛЕКТРОННЫХ СИСТЕМ
В. А. Тупиков, В. А. Павлова , А.И. Лизин , П.А. Гессен71-812022-04-20Аннотация ▼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. -
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. Гессен2021-04-04Аннотация ▼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. Созинова2022-04-21Аннотация ▼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. -
НЕЙРОСЕТЕВОЙ АЛГОРИТМ ПОЛНОКАДРОВОГО РАСПОЗНАВАНИЯ НАДВОДНЫХ ОБЪЕКТОВ В РЕАЛЬНОМ ВРЕМЕНИ
В. А. Тупиков, В. А. Павлова, В. А. Бондаренко, Н. Г. Холод2020-07-10Аннотация ▼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.
-
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. Созинова2020-07-10Аннотация ▼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.
1 - 5 из 5 результатов
