ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. eISSN 1684-1719. 2025. №6

УДК: 004.93:004.032.26

ОЦЕНКА ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ НЕКОТОРЫХ
SOTA МОДЕЛЕЙ НЕЙРОННЫХ СЕТЕЙ ПРИ РЕШЕНИИ ЗАДАЧ
КЛАССИФИКАЦИИ КВАЗИСТАЦИОНАРНЫХ ОБЪЕКТОВ
В ВИДИМОМ ДИАПАЗОНЕ ДЛИН ВОЛН

М.Л. Белокопытов

Военно-космическая академия имени А.Ф. Можайского,
197198, Санкт-Петербург, ул. Ждановская, 13

Статья поступила в редакцию 25 февраля 2025 г.

Аннотация. В работе представлен краткий обзор современных нейросетевых подходов к обнаружению квазистационарных объектов на оптических изображениях. Рассмотрены особенности построения, архитектура и работа пяти SOTA моделей нейронных сетей. Осуществлена подготовка набора данных (парсинг изображений и их разметка, разделение на обучающую, валидационную и тестовую выборки). На подготовленном наборе данных произведено обучение и тестирование таких моделей нейронных сетей, как Faster R-CNN, DETR, RetinaNet, SSD, YOLOv8m. Выполнен сравнительный анализ обученных нейросетей и оценена эффективность работы алгоритмов распознавания на основе точности работы моделей и их быстродействия. Сделан вывод о возможности использования подобных нейросетевых обнаружителей при решении задачи автоматизированной обработки фоноцелевой информации.

Ключевые слова: нейронная сеть, набор данных, выборка, обучение, метрика, эффективность.

Автор для переписки: Белокопытов Марк Львович, hommer1990@mail.ru

Литература

1. Корчагин В.Д. Анализ современных SOTA-архитектур искусственных нейронных сетей для решения задач классификации изображений и детекции объектов // Программные системы и вычислительные методы. – 2023. – №. 4. – С. 73-87. https://doi.org/10.7256/2454-0714.2023.4.69306.

2. Траск Э. Грокаем глубокое обучение. – Питер, 2024.

3. Чорбаа Н.А., Ту Л.А., Толстой И.М. Сравнительный анализ методов детектирования объектов на радиолокационных изображениях при помощи нейронных сетей // Научный результат. Информационные технологии. – 2020. – Т. 5. – №. 4. – С. 15-25. https://doi.org/10.18413/2518-1092-2020-5-4-0-3.

4. Carion N. et al. End-to-end object detection with transformers // European conference on computer vision. – Cham: Springer International Publishing, 2020. – С. 213-229.

5. Болховитина Е.И. Исследование моделей свёрточных нейронных сетей YOLOV3 и RETINANET для задачи детектирования лица человека
на изображении //StudNet. – 2022. – Т. 5. – №. 6. – С. 5439-5448.

6. Liu W. et al. Ssd: Single shot multibox detector // Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part I 14. – Springer International Publishing, 2016. – С. 21-37.

7. Брехт Э.А., Коншина В. Н. Применение нейронной сети YOLO для распознавания дефектов // Интеллектуальные технологии на транспорте. – 2022. – №. 2 (30). – С. 41-47. https://doi.org/10.24412/2413-2527-2022-230-41-47.

8. Тимошкин М.С., Миронов А.Н., Леонтьев А.С. Сравнение YOLO V5 и Faster R-CNN для обнаружения людей на изображении в потоковом режиме // Международный научно-исследовательский журнал. – 2022. – №. 6-1 (120). – С. 137-146. https://doi.org/10.23670/IRJ.2022.120.6.020.

9. Ситнова А.В., Валитов Э.Р., Светозарский С.Н. Применение алгоритмов глубокого машинного обучения на основе многослойной нейронной
сети YOLOv8 для идентификации грибкового кератита // Современные
технологии в медицине. – 2024. – Т. 16. – №. 4. – С. 5-14. https://doi.org/10.17691/stm2024.16.4.01.

10. Копенков В.Н. Совместный анализ оптических и радиолокационных данных дистанционного зондирования Земли в задачах анализа и мониторинга территории // Сборник трудов ИТНТ-2019. – 2019. – С. 21-24.

Для цитирования:

Белокопытов М.Л. Оценка эффективности применения некоторых SOTA моделей нейронных сетей при решении задач классификации квазистационарных объектов в видимом диапазоне длин волн. // Журнал радиоэлектроники. – 2025. – №6. https://doi.org/10.30898/1684-1719.2025.6.2