TY - JOUR AU - Ковбасюк , Сергій Валентинович AU - Осадчук , Руслан Миколайович AU - Романчук , Микола Петрович AU - Наумчак , Леонід Михайлович PY - 2023/02/22 Y2 - 2024/03/29 TI - АЛГОРИТМ ФОРМУВАННЯ НАБОРУ АПРІОРНИХ ДАНИХ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ОБРОБКИ ЦИФРОВИХ АЕРОЗНІМКІВ JF - ПРОБЛЕМИ СТВОРЕННЯ, ВИПРОБУВАННЯ, ЗАСТОСУВАННЯ ТА ЕКСПЛУАТАЦІЇ СКЛАДНИХ ІНФОРМАЦІЙНИХ СИСТЕМ JA - ZNP ZhVI VL - IS - 23 SE - Статті DO - 10.46972/2076-1546.2022.23.06 UR - http://znp.zvir.zt.ua/article/view/274102 SP - 77-88 AB - <p><em>Аналіз застосування безпілотних авіаційних комплексів у зоні проведення бойових дій вказує на постійне підвищення вимог до розвідувальних даних. Одним із шляхів підвищення ефективності застосування цього виду озброєння є використання методів штучного інтелекту. Базисом для побудови надійної моделі нейронної мережі є велика кількість різноманітних даних, що допомагає точніше узагальнити інформацію про поставлене завдання. У статті розглянуто підхід до підвищення точності класифікації зображень об’єктів згортковими нейронними мережами на базі аугментації даних, який відрізняється від відомих адаптацією до факторів знімання та специфіки об’єктів аеророзвідки.</em></p><p><em>Важливим та найбільш трудомістким етапом побудови точної моделі машинного навчання є пошук та анотація даних, які будуть використовуватися для навчання та тестування точності роботи нейронної мережі. Від кількості зібраних даних залежить стабільність роботи мережі в реальних умовах. На сьогодні добре описано та проаналізовано такі методи аугментації зображень об’єктів, як геометричні перетворення, колірна корекція та просторова фільтрація зображення. Не розглянутими досі залишаються можливості оптимальних комбінацій методів аугментації даних для досягнення потрібного узагальнення слабопомітних інваріантних ознак об’єктів. З&nbsp;урахуванням проведених досліджень було запропоновано алгоритм формування набору апріорних даних нейронної мережі для розпізнавання об’єктів на цифрових аерознімках, що дозволить значно зменшити складність процесу збирання потрібних даних і замінити методами збільшення, які набагато простіші, витрачають менше обчислювального ресурсу та здатні підвищити точність роботи згорткових нейронних мереж. Крім того, у статті проведено моделювання використання запропонованого підходу.</em></p> ER -