Аналіз методів виявлення та класифікації об’єктів військового призначення.
DOI:
https://doi.org/10.25140/2411-5363-2026-2(44)-288-305Ключові слова:
детекція об’єктів, класифікація геозображень; комп’ютерний зір; глибоке навчання; нейронні мережі; одноетапні детектори; двоетапні детектори; військові об’єкти; обробка геозображень; розпізнавання образівАнотація
У статті проведено аналіз сучасних методів і алгоритмів виявлення та класифікації об’єктів військового призначення на основі технологій комп’ютерного зору та глибокого навчання. Розглянуто підходи до розв’язання задач детекції об’єктів, їх ідентифікації та класифікації на зображеннях і відеопотоках. Особливу увагу приділено порівнянню одноетапних і двоетапних методів детекції, зокрема з погляду точності, швидкодії та стійкості до складних умов спостереження.
Проаналізовано переваги та недоліки сучасних алгоритмів нейронних мереж, а також їх придатність для використання в задачах реального часу. Визначено ключові критерії оцінювання ефективності алгоритмів, серед яких точність локалізації об’єктів, повнота виявлення та обчислювальна складність. Обґрунтовано доцільність використання різних підходів залежно від умов застосування та вимог до системи.
Отримані результати можуть бути використані при розробці інтелектуальних систем моніторингу, автоматизованого спостереження та підтримки прийняття рішень.
Посилання
Бондаренко, О. В. (2022). Аналіз методів виявлення об’єктів на основі глибокого навчання. Системні дослідження та інформаційні технології, 1, 67–76.
Bulbotka, N., & Polshakova, O. (2025). Using computer vision for automated object tracking system. Міжвідомчий науково-технічний збірник «Адаптивні системи автоматичного управління», 1 (46), 22–34.
Закон України (2020). Про національну інфраструктуру геопросторових даних (№ 554-IX від 13.04.2020). Режим доступу: https://zakon.rada.gov.ua/laws/show/554-20#Text.
Зацерковний, В. І., Тішаєв, І. В., Віршило, І. В., & Демидов, В. К. (2016). Геоінформаційні системи в науках про Землю. Ніжин: НДУ ім. М. Гоголя.
Гладун, А. Я., & Пашко, В. А. (2020). Застосування згорткових нейронних мереж для задач розпізнавання образів. Штучний інтелект, 3, 12–20.
Ковалів, О. П. (2023). Дослідження нейронних мереж для розпізнавання військової техніки на супутникових знімках. https://krs.chmnu.edu.ua/jspui/bitstream/123456789/2674/1/Ковалів.pdf
Кучеренко, О. С., & Литвиненко, В. І. (2021). Методи глибинного навчання для аналізу зображень у системах комп’ютерного зору. Вісник НТУУ «КПІ». Інформатика, управління та обчислювальна техніка, 2, 45–53.
Kovalchuk, R., & Polshakova, O. (2024). CNN for solving computer vision tasks. Міжвідомчий науково-технічний збірник «Адаптивні системи автоматичного управління», 1 (44), 93–102.
Савіцький, В. А., & Замрій, І. В. (2024). Інтелектуальна система розпізнавання типу та геолокації військової техніки за допомогою машинного навчання. Сучасний захист інформації, 2(58), 34–40.
Стеценко, І. В., & Мельник, Ю. П. (2019). Обробка аерокосмічних зображень із використанням методів машинного навчання. Радіоелектроніка, інформатика, управління, 4, 88–95.
Timoshin, Y., & Yuzhda, Y. (2021). Analysis of features of application of neural networks for intellectual processing of video flows of technical vision systems. Міжвідомчий науково-технічний збірник «Адаптивні системи автоматичного управління», 2 (39), 12–19.
Хавалко, В. М., & Калапунь, Н. (2023). Розпізнавання та класифікація військової техніки на зображеннях. Вісник Хмельницького національного університету.
Царинюк, О. В. (2024). Застосування методів машинного навчання для класифікації супутникових зображень: огляд літератури та ключових фреймворків. Наукові записки НаУКМА. Комп’ютерні науки, 6, 36–40. https://doi.org/10.18523/2617-3808.2023.6.36-40
Щербина, Д. С., & Ніколюк, П. К. (2024). Застосування моделі YOLO для розпізнавання ворожої військової техніки. Комп’ютерні технології обробки даних.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. Режим доступу: https://www.deeplearningbook.org/
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444. https://www.nature.com/articles/nature14539
Li, J., et al. (2020). Deep learning for multimodal remote sensing data fusion: A review. arXiv. https://arxiv.org/abs/2205.01380
Longley, P. A., Goodchild, M. F., Maguire, D. J., & Rhind, D. W. (2011). Geographical information systems and science (3rd ed.). Wiley.
Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks. https://doi.org/10.1016/j.neunet.2014.09.003
Zhu, X. X., et al. (2017). Deep learning in remote sensing: A comprehensive review. IEEE Geoscience and Remote Sensing Magazine. https://doi.org/10.1109/MGRS.2017.2762307
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
