Kotelnikov Institute of Radio Engineering and Electronics of RAS Русский Sign in Submit a paper
Journal of Radio Electronics Online scientific journal · eISSN 1684-1719
2025, № 6 · MATHEMATICAL MODELS IN RADIO ELECTRONICS PROBLEMS

Evaluation of the effectiveness of using some SOTA neural network models in solving classification problems of quasi-stationary objects in the visible wavelength range

M.L. Belokopytov1

1 Military space academy by A. Mozhaysky name, St. Petersburg, Russia
Full text DOI: 10.30898/1684-1719.2025.6.2 UDC 004.93 EDN UTBRAM

Abstract

The paper provides a brief overview of modern neural network approaches to detecting quasi-stationary objects in optical images. The features of the construction, architecture and operation of five SOTA models of neural networks are considered. The data set was prepared (image parsing and markup, separation into training, validation and test samples). Neural network models such as Faster-CNN, DETR, RetinaNet, SSD, and YOLOv8m were trained and tested on the prepared dataset. A comparative analysis of trained neural networks was performed and the effectiveness of recognition algorithms was evaluated based on the accuracy of the models and their performance. The conclusion is made about the possibility of using such neural network detectors in solving the problem of automated processing of phono-target information.

  • neural network
  • dataset
  • sampling
  • training
  • metric
  • efficiency
Аннотация (на русском)

Оценка эффективности применения некоторых SOTA моделей нейронных сетей при решении задач классификации квазистационарных объектов в видимом диапазоне длин волн

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 , YOLOv 8 m . 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.

For citation

Belokopytov M.L. Evaluation of the effectiveness of using some SOTA neural network models in solving classification problems of quasi-stationary objects in the visible wavelength range // Journal of Radio Electronics. – 2025. – No. 6. https://doi.org/10.30898/1684-1719.2025.6.2

References

  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.