Моделювання ідентифікації та класифікації військових повітряних об’єктів на основі машинного навчання
DOI:
https://doi.org/10.31861/sisiot2024.1.01001Ключові слова:
ідентифікація, військові повітряні засоби, штучний інтелект, машинне навчання, глибинне навчанняАнотація
Стаття присвячена актуальній проблемі розробки систем інтелектуальної ідентифікації військових повітряних засобів на основі технологій штучного інтелекту, машинного та глибинного навчання як важливого завдання для забезпечення національної безпеки та підвищення ефективності військових операцій. Обґрунтовано необхідність таких систем, здатних автоматично точно розпізнавати та класифікувати літальні апарати на зображеннях. Висвітлено їхні переваги над традиційними методами: вища продуктивність, швидкість, точність, усунення впливу людського фактора. Наголошено на критичній важливості впровадження інноваційних рішень глибинного навчання для виявлення загроз та підвищення ефективності військових дій. Проаналізовано сучасні методи та інструменти для розпізнавання об'єктів на візуальних даних. Детально описано запропонований метод збору та попередньої обробки даних для тренування моделі, наведено схему ключових етапів розробки високоточної системи розпізнавання на основі YOLOv8. Представлено процес формування якісного навчального датасету із публічних джерел та власних даних аерозйомки/супутникових знімків із застосуванням Roboflow для анотації об'єктів, створення підмножин для навчання/валідації/тестування у форматі YOLO. Продемонстровано задовільні результати швидкого розпізнавання військових літаків з високими ймовірностями класифікації. Наведено порівняльний аналіз моделей YOLOv8, R-CNN та GPT-4, що засвідчив перевагу YOLOv8 за точністю прогнозування та швидкодією. Описано створену систему керування моделями для налаштування гіперпараметрів, вибору категорій об'єктів, запуску процесів тренування/передбачення. Представлено результати тестування навченої YOLOv8, що підтвердили її високу ефективність у точному виявленні цілей за складних умов завдяки передовим алгоритмам глибинного навчання. Обґрунтовано оптимальність YOLOv8 для вирішення задачі ідентифікації військових літаків.
Завантажити
Посилання
Z. Zhao et al., "Object detection with deep learning: A review," Comput. Vis. Pattern Recognit., vol. 1, pp. 1–21, 2019.
P. Adarsh et al., "YOLO v3-Tiny. Object Detection and Recognition using one stage improved model," 6th International Conference on Advanced Computing and Communication Systems (ICACCS), pp. 687–694, 2020.
M. Wu et al., "Object detection based on RGC mask R-CNN," IET Image Processing, vol. 14, pp. 1502–1508, 2020.
L. Aguilera et al., "Deep Learning CNN Implementation on Packed Malware for Cloud Cross Domain Solution Filters," International Conference on Data Science and Its Applications (ICoDSA), IEEE, pp. 192-197, 2022. [Online]. Available: https://doi.org/10.1109/ICoDSA55874.2022.9862936.
G. Bonaccorso, Mastering Machine Learning Algorithms: Expert techniques for implementing popular machine learning algorithms, fine-tuning your models, and understanding how they work. Packt Publishing Ltd, 2020.
M. Memon, "ANN vs CNN vs RNN," Neural Networks Guide, [Online]. Available: https://levity.ai/blog/neural-networks-cnn-ann-rnn, 2022.
M. Mishra, "Convolutional Neural Networks, Explained," [Online]. Available: https://towardsdatascience.com/convolutional-neural-networks-explained-9cc5188c4939, 2020.
A. Bochkovskiy et al., "AlexeyAB/darknet: YOLOv4 (version yolov4)," [Online]. Available: https://doi.org/10.5281/zenodo.562267, Zenodo, 2021.
M. Elgendy, Deep learning for vision systems (1st ed.). Manning, 2020. [Online]. Available: https://books.google.com.ua/books?hl=uk&lr=&id=sDszEAAAQBAJ&oi=fnd&pg=PR13&dq=Elgendy,+M.+(2020).+Deep+learning+for+vision+systems+(1st+ed.).+Manning&ots=8CCANreUy5&sig=xjoeMM3SCna2es_sEG2fI90mmXQ&redir_esc=y#v=onepage&q&f=false.
S. Sah et al., "Machine learning: a review of learning types," [Online]. Available: https://doi.org/10.20944/preprints202007.0230.v1, 2020.
C. Wang et al., "CSPNet: A new backbone that can enhance learning capability of CNN," Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, pp. 390-391, 2020.
W. Kin-Yiu, "Implementation of Scaled-YOLOv4 using PyTorch framework (v1.0.0)," Zenodo, [Online]. Available: https://doi.org/10.5281/zenodo.5534091, 2021.
G. Jocher et al., "Ultralytics/YOLOv5: v6.0–YOLOv5n ‘Nano’ models. Roboflow integration. TensorFlow export, OpenCV DNN support (v6.0)," Zenodo, [Online]. Available: https://doi.org/10.5281/zenodo.5563715, 2021.
A. Yilmaz, "Comparison of Deep Learning and Traditional Machine Learning Techniques for Classification of Pap Smear Images," pp. 63-66, 2020.
N. Nguyen et al., "Semi-supervised Object Detection with Unlabeled Data," In VISIGRAPP (5: VISAPP), pp. 289-296, 2019. [Online]. Available: https://doi.org/10.5220/0007345602890296.
J. Kim et al., "Comparison of Faster-RCNN, YOLO, and SSD for real-time vehicle type recognition," IEEE International Conference on Consumer Electronics-Asia (ICCE-Asia), pp. 1-4, 2020. [Online]. Available: https://doi.org/10.1109/ICCE-Asia49877.2020.9277040.
A. Kuznetsova et al., "The open images dataset v4: Unified image classification, object detection, and visual relationship detection at scale," International Journal of Computer Vision, vol. 128(7), pp. 1956-1981, 2020. [Online]. Available: https://doi.org/10.1007/s11263-020-01316-z.
U. Nepal and H. Eslamiat, "Comparing YOLOv3, YOLOv4 and YOLOv5 for autonomous landing spot detection in faulty UAVs," Sensors, vol. 22(2), pp. 464, 2022. [Online]. Available: https://doi.org/10.3390/s22020464.
X. Jiang et al., "Mnn: A universal and efficient inference engine," Proceedings of Machine Learning and Systems, vol. 2, pp. 1-13, 2020.
P. Puchtler and R. Peinl, "Evaluation of deep learning accelerators for object detection at the edge," In German Conference on Artificial Intelligence (Künstliche Intelligenz), Springer, Cham, pp. 320-326, 2020. [Online]. Available: https://doi.org/10.1007/978-3-030-58285-2_29.
N. Hoang, "Image processing-based spall object detection using Gabor filter, texture analysis, and adaptive moment estimation (Adam) optimized logistic regression models," Advances in Civil Engineering, 2020.
M. Dorrer and A. Tolmacheva, "Comparison of the YOLOv3 and Mask R-CNN architectures’ efficiency in the smart refrigerator’s computer vision," Journal of Physics: Conference Series, vol. 1679, no. 4, pp. 42-62, 2020. [Online]. Available: https://doi.org/10.1088/1742-6596/1679/4/042022.
"Military Aircraft Detection Dataset," [Online]. Available: https://www.kaggle.com/datasets/a2015003713/militaryaircraftdetectiondataset.
"Roboflow," [Online]. Available: https://app.roboflow.com/.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Безпека інфокомунікаційних систем та Інтернету речей
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
