Розроблено ефективні модель та алгоритм навчання бортової системи малогабаритного безпілотного літального апарату для детектування малорозмірних об'єктів, що функціонує за умов обмеженого обсягу обчислювальних ресурсів та навчальних даних. Пропонується 4-х етапна реалізація алгоритму навчання. Перший етап полягає у виборі типу глибокої згорткової мережі, наперед навченої на наборі даних ImageNet, та кількості її низькорівневих шарів, що запозичуються для екстракції інформативних ознак. Другий етап включає навчання без вчителя високорівневих розріджено кодуючих згорткових шарів з використанням модифікованого алгоритму зростаючого нейронного газу, який забезпечує оптимальний розподіл нейронів на навчальних даних та автоматичне визначення необхідної кількості нейронів. Застосування модифікованого алгоритму зростаючого нейронного газу дозволяє ефективно використати нерозмічені навчальні дані і адаптувати верхні шари екстрактора ознак до доменної області застосування. На третьому етапі вихідна карта ознак формується шляхом об'єднання карт ознак з різних шарів глибокої згорткової нейронної мережі. При цьому здійснюється зменшення глибини вихідної карти ознак на основі аналізу головних компонент з наступною побудовою вирішальних правил. Цей підхід дозволяє використати всю наявну контекстну інформацію, що забезпечує ефективне розпізнавання малорозмірних об'єктів на аерофотознімках. Для виконання класифікаційного аналізу результуючої карти ознак запропоновано використовувати інформаційно-екстремальний класифікатор, що навчається за принципом бустінгу. Окрім того для прогнозування координат малорозмірних об'єктів на кадрі зображення пропонується використання регресійного алгоритму ортогональної інкрементальної машини екстремального навчання. Останній етап навчання детектора передбачає тонке налаштування високорівневих шарів глибокої нейронної мережі з використанням метаевристичного алгоритму симуляції відпалу з метою наближення глобального оптимуму комплексного критерії ефективності навчання детектора. В результаті застосування запропонованого підходу вдалося досягнути 96 % точності виявлення об'єктів інтересу на тестових зображеннях відкритого набору даних, що свідчить про придатність моделі та методу навчання для практичного використання. При цьому розмір навчальної вибірки, яка використовувалась для побудови моделі складала 500 нерозмічених та 200 розмічених зразків.

  Повний текст PDF - 1.001 Mb    Зміст випуску     Цитування публікації

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"