Виявлення літаків на зображеннях з повітря з використанням нейронної мережі YOLO

Volodymyr Kharchenko, Iurii Chyrka

Анотація


Мета: Представлені результати дослідження спрямовані на тестування ефективності найсучасніших методів виявлення об'єктів. Було перевірено дві популярні одноступеневі нейронні мережі, що базуються на підході "ви дивитеся лише один раз". Методи дослідження: згорткова нейронна мережа, логістична регресія, імовірнісна теорія, стохастичний градієнтний спуск. Результати: Розглянуті архітектури штучних нейронних мереж для виявлення об'єктів були навчені та застосовані для конкретного завдання виявлення літальних апаратів на зображеннях з повітря, знятих з безпілотних літальних апаратів та супутників. Обговорення: Представлені результати експериментальної перевірки підтверджують високу здатність цих методів до виявлення, їх високу точність визначення місцезнаходження та швидкість обробки в реальному часі за допомогою сучасного графічного процесора. Розглянуті нейронні мережі можуть бути легко перенавчені для виявлення різних класів наземних об'єктів.


Ключові слова


безпілотний літальний апарат; виявлення об’єктів; згорткова нейронна мережа; обробка в реальному часі

Посилання


Ammour N., Alhichri H., Bazi Y., Benjdira B., Alajlan N. and Zuair M. (2017) Deep Learning Approach for Car Detection in UAV Imagery. Remote Sensing, No. 9(312), pp. 1–15. doi: 10.3390/rs9040312

Maria G., Baccaglini E., Brevi D., Gavelli M., Scopigno R. (2016) A drone-based image processing system for car detection in a smart transport infrastructure. Proc. 18th Mediterranean Electrotechnical Conf. (MELECON). Limassol, Cyprus. doi: 10.1109/MELCON.2016.7495454

C. Castiblanco, J. Rodriguez, I. Mondragon, C. Parra, and J. Colorado Air Drones for Explosive Landmines Detection. in ROBOT2013: First Iberian Robotics Conference (M. A. Armada, A. Sanfeliu, M. Ferre Eds.) Springer International Publishing, pp. 107–114. doi: 10.1007/978-3-319-03653-3_9

Kharchenko V., Shmelova T., Sikirda, Y. (2012) Pryynyattya rishen' operatorom aeronavihatsiynoyi systemy. Monohrafiya [DecisionMaking of Operator in Air Navigation System.Monograph]. Kirovograd, KFA of NAU Publ., 292 p. (In Ukrainian)

Xu Y., Yu G., Wang Y., Wu X., and Ma Y. (2017) Car Detection from Low-Altitude UAV Imagery with the Faster R-CNN. Journal of Advanced Transportation, Vol. 2017. doi: 10.1155/2017/2823617

Lee J., Wang J., Crandall D., Sabanovic S. and Fox G. (2017) Real-Time Object Detection for Unmanned Aerial Vehicles based on Cloud-based Convolutional Neural Networks. Proc. IEEE International Conference on Robotic Computing (IRC). Taichung, Taiwan. doi: 10.1109/IRC.2017.77

Leira F. S., Johansen T. A., Fossen T. I. (2015) Automatic Detection, Classification and Tracking of Objects in the Ocean Surface from UAVs Using a Thermal Camera. Proc. IEEE Aerospace Conference. Big Sky, MT, USA. doi: 10.1109/AERO.2015.7119238

Lee J.-N., Kwak K.-C. (2014) A Trends Analysis of Image Processing in Unmanned Aerial Vehicle. International Journal of Computer and Information Engineering, No. 2(8), pp. 271–274. doi: 10.1999/1307-6892/9997348

Dhawad S. R., Itkarkar R. R. (2016) Car Detecting Method using high Resolution images. International Journal on Recent and Innovation Trends in Computing and Communication, No. 2(4), pp. 197–203.

LeCun Y., Jackel L., Bottou L., Brunot A., Cortes C., Denker J., Drucker H., Guyon I., Müller U., Säckinger E., Simard P., Vapnik V. (1995) Comparison of learning algorithms for handwritten digits recognition. Proc. 1995 Int. Conf. on Artificial Neural Networks. Paris, France, pp. 53-60.

Viola P. and Jones M. (2001) Rapid object detection using a boosted cascade of simple features. Proc. Computer Vision and Pattern Recognition (CVPR-2001). Kauai, HI, USA, pp. I-511 – I-518. doi: 10.1109/CVPR.2001.990517

Dalal N. and Triggs B. (2005) Histograms of oriented gradients for human detection. Proc. Computer Vision and Pattern Recognition (CVPR-2005). San Diego, CA, USA, Vol. 1, pp. 886–891. doi: 10.1109/CVPR.2005.177

Girshick R., Donahue J., Darrell T., and Malik J. (2014) Rich feature hierarchies for accurate object detection and semantic segmentation. Proc. Computer Vision and Pattern Recognition (CVPR-2014). Columbus, OH, USA, pp. 580–587. doi: 10.1109/CVPR.2014.81

Girshick R. (2015). Fast R-CNN. Proc. Computer Vision (ICCV-2015). Santiago, Chile, pp. 1440–1448. doi: 10.1109/ICCV.2015.169.

Ren S., He K., Girshick R., Sun J. (2015) Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, No. 6(39), pp. 1137–1149. doi: 10.1109/TPAMI.2016.2577031

Lin T.-Y., Doll´ar P., Girshick R., He K., Hariharan B., and Belongie S. (2017) Feature pyramid networks for object detection. Proc. Computer Vision and Pattern Recognition (CVPR-2017). Honolulu, HI, USA, pp. 936–944. doi: 10.1109/CVPR.2017.106

He K., Gkioxari G., Doll´ar P., and Girshick R. (2017) Mask R-CNN. Proc. Computer Vision (ICCV-2017). Venice, Italy, pp. 2980–2988. doi: 10.1109/ICCV.2017.322

He K., Zhang X., Ren S., and Sun J. (2016) Deep residual learning for image recognition. Proc. Computer Vision and Pattern Recognition (CVPR-2016). Las Vegas, NV, USA, pp. 770–778. doi: 10.1109/CVPR.2016.90.

Liu W., Anguelov D., Erhan D., Szegedy C., and Reed S. (2016) SSD: Single shot multibox detector. Proc. European Conference on Computer vision Computer Vision and Pattern Recognition (ECCV-2016). Amsterdam, The Netherlands. doi: 10.1007/978-3-319-46448-0_2

Redmon J., Divvala S., Girshick R., and Farhadi A. (2016) You only look once: Unified, real-time object detection. Proc. Computer Vision and Pattern Recognition (CVPR-2016). Las Vegas, NV, USA, pp. 779–788. doi: 10.1109/CVPR.2016.91

Redmon J. and Farhadi A. YOLOv3: An Incremental Improvement. Available at: https://pjreddie.com/media/files/papers/YOLOv3.pdf (Accessed 06.04.18)

Lin T.-Y., Goyal P., Girshick R., He K., Doll´ar P. (2017) Focal Loss for Dense Object Detection. Proc. Computer Vision (ICCV-2017). Venice, Italy, pp. 2999–3007. doi: 10.1109/ICCV.2017.324

Darknet: Open source neural networks in c. Available at: https://github.com/AlexeyAB/darknet (Accessed 05.04.18)

YoloMark. Available at: https://github.com/AlexeyAB/Yolo_mark (Accessed 05.04.18)


Повний текст: PDF

Посилання

  • Поки немає зовнішніх посилань.


ISSN 2306-1472 (Online), ISSN 1813-1166 (Print)

Передплатний індекс 86179

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported License.

Ulrich's Periodicals DirectoryIndex CopernicusDOAJSSMРИНЦWorldCatCASEBSCOCrossRefBASEDRIVERНаціональна бібліотека ім. ВернадськогоНауково-технічна бібліотека НАУ