МОДЕЛЬ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ВИЯВЛЕННЯ ЗАМАСКОВАНИХ ОБ’ЄКТІВ
DOI:
https://doi.org/10.46972/2076-1546.2024.26.06Ключові слова:
комп’ютерний зір, машинне навчання, згорткова нейронна мережа, зображення місцевості, набір даних, маскувальний малюнок, засіб маскування, замаскований об’єкт, сегментація, функція втрат, метрикаАнотація
У статті розглянуто застосування нейронної мережі для виявлення замаскованих об’єктів, прихованих природними масками та засобами маскування. Такі об’єкти зазвичай різноманітні за розмірами, нечіткі та візуально зливаються з місцевістю, що ускладнює їх виявлення системами комп’ютерного зору.
Автори проаналізували алгоритми машинного навчання, які використовуються для сегментації та виявлення об’єктів на зображеннях. Враховуючи отримані результати, для вирішення завдання виявлення замаскованих об’єктів у роботі пропонуємо модель нейронної мережі з архітектурою енкодер-декодер. Її особливостями є: застосування на вході додаткового прошарку, на який подається зображення, оброблене фільтром Собеля, що дозволяє підсилити виявлення країв та текстури об’єктів; використання алгоритму розтягування згортки в блоках енкодера паралельно основній частині визначення ключових ознак зумовлює зниження залежності виявлення від розмірів об’єктів; застосування в блоках декодера механізму зосередження уваги на важливих ділянках зображення підвищує ймовірність правильної класифікації цих ділянок у разі невпевненості моделі щодо їх належності. Проведення експериментів шляхом моделювання з різними гіперпараметрами нейронної мережі дозволило визначити, що бінарна перехресна ентропія найбільше підходить як функція втрат, для розв’язання задачі виявлення об’єктів із сильними фоновими шумами, а вибір для функції активації Parametric Rectified Linear Unit дозволяє підвищити точність сегментації об’єктів. Також розглянуто використання різноманітних метрик щодо оцінювання ефективності створеної моделі.
Тестування на наборах даних із реальними замаскованими об’єктами дозволило виявити проблемні питання, що впливають на процес сегментації в цілому та на точність виявлення замаскованих об’єктів зокрема, розв’язання яких дозволяє покращити ефективність роботи нейронних мереж. Результати досліджень пропонуємо використовувати під час створення засобів маскування для визначення їх ефективності на різних природних територіях, а також для пошуку замаскованих об’єктів противника в ході обробки розвідувальних даних.
Посилання
Kaur, D., & Kaur, Y. (2014). Various Image Segmentation Techniques: A Review. IJCSMC, Vol. 3 (5), 809-814.
Long, J., Shelhamer, E., & Darrell, T. (2015). Fully Convolutional Networks for Semantic Segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3431–3440). https://doi.org/10.48550/arXiv.1411.4038
Berezina, S. I., Hordiienko, Yu. O., & Solonets, O. I. (2019). Analiz shliakhiv vyrishennia problemy sehmentatsii vysokoteksturovanykh ob’iektiv [Analysis of Ways to Solve the Problem of Segmentation of Highly Textured Objects]. Problemy stvorennia, vyprobuvannia, zastosuvannia ta ekspluatatsii skladnykh informatsiinykh system : zb. nauk. prats [Problems of Construction, Testing, Application and Operation of Complex Information Systems. Scientific journal of Korolov Zhytomyr Military Institute], Iss. 17, 27–40. https://doi.org/10.46972/2076-1546.2019.17.03
Zheng, Y., Zhang, X., Wang, F., Cao, T., Sun, M., & Wang, X. (2019). Detection of people with camouflage pattern via dense deconvolution network. IEEE Signal Processing Letters, 26 (1) (pp. 29-33). https://doi.org/10.1109/LSP.2018.2825959
Fang, Z., Zhang, X., Deng, X., Cao, T., & Zheng, C. (2019). Camouflage People Detection via Strong Semantic Dilation Network. In Proceedings of the ACM Turing Celebration Conference (ACM TURC '19, China), Article 134 (pp. 1–7). New York, USA: Association for Computing Machinery. https://doi.org/10.1145/3321408.3326662
Liu, Y., Wang, C.-q., & Zhou, Y.-j. (2023). Camouflaged People Detection Based on a Semi-Supervised Search Identification Network. Defence Technology, Vol. 21, 176–183. https://doi.org/10.1016/j.dt.2021.09.004
Jiang, X., Cai, W., Zhang, Z., Jiang, B., Yang, Z., & Wang, X. (2022). MAGNet: A Camouflaged Object Detection Network Simulating the Observation Effect of a Magnifier. Entropy, 24 (12), Article ID 1804. https://doi.org/10.3390/e24121804
Van der Burg, E., Hogervorst, M. A., & Toet, A. (2022). Measuring the Dynamics of Camouflage in Natural Scenes Using Convolutional Neural Networks. Target and Background Signatures VIII, Vol. 12270, Article ID 1227003. SPIE. https://doi.org/10.1117/12.2636107
Zhang, W., Zhou, Q., Li, R., & Niu, F. (2022). Research on Camouflaged Human Target Detection Based on Deep Learning. Computational Intelligence and Neuroscience, Article ID 7703444, 1–12. https://doi.org/10.1155/2022/7703444
Fan, D.-P., Ji, G.-P., Cheng, M.-M., & Shao, L. (2022). Concealed Object Detection. In IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 44 (10), 6024–6042. https://doi.org/10.1109/TPAMI.2021.3085766
Le, T.-N., Nguyen, T. V., Nie, Z., Tran, M.-T., & Sugimoto, A. (2019). Anabranch Network for Camouflaged Object Segmentation. Computer Vision and Image Understanding, Vol. 184, 45–56. https://doi.org/10.1016/j.cviu.2019.04.006
Jadon, S. (2020). A Survey of Loss Functions for Semantic Segmentation. In IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB). (pp. 1–7). Via del Mar, Chile. https://doi.org/10.1109/CIBCB48159.2020.9277638
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
