Вибір ефективної моделі для розпізнавання військових об'єктів у режимі реального часу на спеціалізованих наборах даних
Анотація
Розпізнавання об'єктів у режимі реального часу є ключовим елементом сучасного комп'ютерного зору, особливо в складних сценаріях їх отримання, таких як військові операції, де швидкість і точність виявлення цільових об'єктів є критично важливими для успішної навігації в динамічних і непередбачуваних умовах поля бою. У цьому дослідженні проаналізовано проблему виявлення та класифікації військових об'єктів у режимі реального часу. Навчено та налаштовано три моделі для виявлення військових об'єктів: Faster R-CNN (англ. Region-based Convolutional Neural Networks), SSD (англ. Single Shot MultiBox Detector) та YOLO (англ. You Look Only Once). Досліджено продуктивність двоетапних і одноетапних алгоритмів й оцінено придатність моделей для оперативного розгортання в динамічних середовищах. Розроблено спеціалізований набір даних, що містить різноманітні зображення бронетехніки (танків, бойових машин піхоти та бронетранспортерів) та адаптований набір для навчання, валідації та тестування моделей для виявлення військових об'єктів у реальних умовах. Оцінено продуктивність навчених моделей для виявлення військових об'єктів за ключовими показниками: точність, влучність, F1-міра, середня точність та частота кадрів. Застосовано платформу NVIDIA Jetson для тестування продуктивності моделей за умов обмежених обчислювальних ресурсів. Встановлено, що модель YOLOv8n є найефективнішою, досягнувши найвищих значень mAP (91,8 %) та FPS (55), що підтверджує її придатність для вирішення завдань розпізнавання зображень у режимі реального часу. Водночас, модель Faster R-CNN разом із залишковою нейронною мережею ResNet50 (англ. Residual Neural Network) забезпечила належну точність (mAP – 89,2 %, F1-Score – 89,4 %), однак її низька швидкість оброблення вхідних кадрів (FPS – 7) значно обмежує використання в оперативних сценаріях. Модель SSD разом з легкою згортковою нейронною мережею MobileNetV3 продемонструвала збалансовані результати (mAP – 81 %, F1-Score – 83,4 %, FPS – 36), пропонуючи компроміс між точністю та швидкістю, проте поступається за загальною ефективністю через випадки хибної класифікації або пропуску цільових об'єктів. Вказано на практичну значущість вибору та адаптації моделей відповідно до конкретних оперативних потреб, зокрема у військовій сфері. Отримані результати слугують основою для подальших досліджень, спрямованих на вдосконалення одноетапних алгоритмів розпізнавання військових об'єктів у режимі реального часу, розширення набору даних, удосконалення сучасних методів підвищення продуктивності периферійних пристроїв у складних і динамічних середовищах.
Завантаження
Посилання
Ali, S., Abdullah, Athar, A., Ali, M., Hussain, A., & Kim, H.-C. (2023). Computer Vision-Based Military Tank Recognition Using Object Detection Technique: An application of the YOLO Framework. 2023 1st International Conference on Advanced Innovations in Smart Cities (ICAISC), Jeddah, Saudi Arabia, 1–6. https://doi.org/10.1109/ICAISC56366.2023.10085552
Aman, Dalmia. (2019). Real-time Object Detection: Understanding SSD. Medium; Inveterate Learner. URL: https://medium.com/inveterate-learner/real-time-object-detection-part-1-understanding-ssd-65797a5e675b
Arani, E., Gowda, S., Mukherjee, R., Magdy, O., Kathiresan, S., & Zonooz, B. (2022). A Comprehensive Study of Real-Time Object Detection Networks Across Multiple Domains: A Survey. Published in Transactions on Machine Learning Research, 08, 1–48. https://doi.org/10.48550/arXiv.2208.10895
Azarov, I., Gnatyuk, S., Aleksander, M., Azarov, I., & Mukasheva, A. (2023). Real-time ML Algorithms for The Detection of Dangerous Objects in Critical Infrastructures. IntelITSIS'2023: 4th International Workshop on Intelligent Information Technologies and Systems of Information Security, 3373, Mar. 22-24, 2023. URL: https://ceur-ws.org/Vol-3373/paper11.pdf
Bonam, J., G Kalyani, A. Karuna, Prasad, N., & Krishna, M. (2021). RETRACTED ARTICLE: Military object detection in defense using multi-level capsule networks. Published in Soft Computing, 27, 1045–1059. https://doi.org/10.1007/s00500-021-05912-0
Diwan, T., Anirudh, G., & Tembhurne., J. V. (2022). Object detection using YOLO: challenges, architectural successors, datasets and applications. Published in Multimedia Tools and Applications, 82, 9243–9275. https://doi.org/10.1007/s11042-022-13644-y
Du, L., Zhang, R., & Wang, X. (2020). Overview of two-stage object detection algorithms. Published in Journal of Physics: Conference Series, 1544, article ID 012033. https://doi.org/10.1088/1742-6596/1544/1/012033
Gromada, K., Siemiątkowska, B., Stecz, W., Płochocki, K., & Woźniak, K. (2022). Real-Time Object Detection and Classification by UAV Equipped With SAR. Published in Sensors, 22(5), article ID 2068. https://doi.org/10.3390/s22052068
Li, H., Yang, S., Liu, J., Yang, Y., Kadoch, M., & Liu, T. (2022). A Framework and Method for Surface Floating Object Detection Based on 6G Networks. Published in Electronics, 11(18), 2939–2939. https://doi.org/10.3390/electronics11182939
Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Dollar, P. (2017). Focal Loss for Dense Object Detection. 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 2999–3007. https://doi.org/10.1109/iccv.2017.324
Liu, H., Yu, Y., Liu, S., & Wang, W. (2022). A Military Object Detection Model of UAV Reconnaissance Image and Feature Visualization. Published in Applied Sciences, 12(23), article ID 12236. https://doi.org/10.3390/app122312236
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot Multibox Detector. Computer Vision – ECCV 2016, 9905, 21–37. https://doi.org/10.1007/978-3-319-46448-0_2
Mandula, J., Kühne, J., Pascarella, L., & Magno, M. (2024). Towards Real-Time Fast Unmanned Aerial Vehicle Detection Using Dynamic Vision Sensors. 2024 IEEE International Instrumentation and Measurement Technology Conference (I2MTC), 1–6, Glasgow, Scotland. https://doi.org/10.1109/i2mtc60896.2024.10561168
Mohan, V. S., Vinayakumar, R., Sowmya, V., & Soman., K. P. (2019). Deep Rectified System for high-speed Tracking in Images. Published in Journal of Intelligent & Fuzzy Systems, 36(3), 1957–1965. https://doi.org/10.3233/jifs-169907
Ouyang, Y., Wang, X., Hu, R., Xu, H., & Shao, F. (2022). Military Vehicle Object Detection Based on Hierarchical Feature Representation and Refined Localization. Published in IEEE Access, 10, 99897–99908. https://doi.org/10.1109/ACCESS.2022.3207153
Parcell, K., Choi, B., & Starling, J. (2024). Optimizing Performance of Real-time Detection and Classification for Military Personnel and Weapons. Published in The ITEA Journal of Test and Evaluation, 45(3). https://doi.org/10.61278/itea.45.3.1005
Patil, A. N., Mohanty., S. N., & Khan, T. (2024). SkyViewSentinel: A Deep Learning-Driven Military Object Detection Application for Remote-Sensing Satellite Images. Published in Recent Advances in Computer Science and Communications, 18(5), https://doi.org/10.2174/0126662558333174241009112642
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 779–788. https://doi.org/10.1109/cvpr.2016.91
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Neural Information Processing Systems; Curran Associates, Inc. URL: https://papers.nips.cc/paper_files/paper/2015/hash/14bfa6bb14875e45bba028a21ed38046-Abstract.html
Sohan, M., Thotakura, Sai Ram., & Ch. (2024). A Review on YOLOv8 and Its Advancements. Published in Algorithms for Intelligent Systems, 529–545. https://doi.org/10.1007/978-981-99-7962-2_39
Syed, Muhammad Aamir, Ma, H., Ali, K. M. A., & Muhammad, Aaqib. (2021). Real-Time Object Detection in Occluded Environment with Background Cluttering Effects Using Deep Learning. The 7th International Workshop on Advanced Computational Intelligence and Intelligent Informatics (IWACIII2021), Beijing, China, Oct. 31 – Nov. 3, 1–6. https://doi.org/10.48550/arXiv.2401.00986
Žigulić, N., Glučina, M., Lorencin, I., & Matika, D. (2023). Military Decision-Making Process Enhanced by Image Detection. Published in Information, 15(1), 11–21. https://doi.org/10.3390/info15010011
