• ВХОД

    •  

    Полное описание

    Небаба, Степан Геннадьевич. Сверточные нейронные сети семейства YOLO для мобильных систем компьютерного зрения / С. Г. Небаба, Н. Г. Марков. - DOI 10.20537/2076-7633-2024-16-3-615-631. - Текст : непосредственный // Компьютерные исследования и моделирование : журнал. - 2024. - Т. 16, N 3. - С. 615-631. - Библиогр. в конце ст. - ISSN 2076-7633.

    ГРНТИ УДК
    28.23004.8
    28.23.15004.93
    28.23.37004.032.26

    Рубрики:
    Искусственный интеллект
    Нейронные сети
    Распознавание образов

    Кл.слова (ненормированные): детектирование летающих объектов на изображениях -- сверточная нейронная сеть -- yolo -- мобильная система компьютерного зрения
    Аннотация: Работа посвящена анализу известных классов моделей сверточных нейронных сетей и исследованию выбранных из них перспективных моделей для детектирования летающих объектов на изображениях. Под детектированием объектов (англ. - Object Detection) здесь понимаются обнаружение, локализация в пространстве и классификация летающих объектов. Комплексное исследование выбранных перспективных моделей сверточных нейронных сетей проводится с целью выявления наиболее эффективных из них для создания мобильных систем компьютерного зрения реального времени. Показано, что наиболее приемлемыми для детектирования летающих объектов на изображениях с учетом сформулированных требований к мобильным системам компьютерного зрения реального времени и, соответственно, к лежащим в их основе моделям сверточных нейронных сетей являются модели семейства YOLO, причем наиболее перспективными следует считать пять моделей из этого семейства: YOLOv4, YOLOv4-Tiny, YOLOv4-CSP,YOLOv7 и YOLOv7-Tiny. Для обучения, валидации и комплексного исследования этих моделей разработан соответствующий набор данных. Каждое размеченное изображение из набора данных включает от одного до нескольких летающих объектов четырех классов: «птица», «беспилотный летательный аппарат самолетного типа», «беспилотный летательный аппарат вертолетного типа» и «неизвестный объект» (объекты в воздушном пространстве, не входящие в первые три класса). Исследования показали, что все модели сверточных нейронных сетей по скорости детектирования объектов на изображении (по скорости вычисления модели) значительно превышают заданное пороговое значение, однако только модели YOLOv4-CSP и YOLOv7, причем только частично, удовлетворяют требованию по точности детектирования (классификации) летающих объектов. Наиболее сложным для детектирования классом объектов является класс «птица». При этом выявлено, что наиболее эффективной по точности классификации является модель YOLOv7, модель YOLOv4-CSP на втором месте. Обе модели рекомендованы к использованию в составе мобильной системы компьютерного зрения реального времени при условии увеличения в созданном наборе данных числа изображений с объектами класса «птица» и дообучения этих моделей с тем, чтобы они удовлетворяли требованию по точности детектирования летающих объектов каждого из четырех классов.
    Доп. точки доступа:
    Марков, Николай Григорьевич

    Экз-ры полностью 2ad62c7694d2297a2dfe57ea2361ef27/2024/16/3
    Нет сведений об экземплярах
    Держатели документа:
    Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -380713-708751)

    Шифр в сводном ЭК: 7a02f091a2295280ae20df81110c5bae




    Заказ фрагмента документа ₽