Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (10.2019) : ПРИМЕНЕНИЕ СВЁРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АВТОМАТИЧЕСКОЙ СЕЛЕКЦИИ МАЛОРАЗМЕРНЫХ ИСКУССТВЕННЫХ КОСМИЧЕСКИХ ОБЪЕКТОВ НА ОПТИЧЕСКИХ ИЗОБРАЖЕНИЯХ ЗВЁЗДНОГО НЕБА

ПРИМЕНЕНИЕ СВЁРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АВТОМАТИЧЕСКОЙ СЕЛЕКЦИИ МАЛОРАЗМЕРНЫХ ИСКУССТВЕННЫХ КОСМИЧЕСКИХ ОБЪЕКТОВ НА ОПТИЧЕСКИХ ИЗОБРАЖЕНИЯХ ЗВЁЗДНОГО НЕБА

 

© 2019 г.  А. К. Цыцулин*, доктор техн. наук; А. И. Бобровский**, канд. техн. наук; А. В. Морозов*, канд. техн. наук; В. А. Павлов***, аспирант; М. А. Галеева***, студент

*     Научно-исследовательский институт телевидения (НИИТ), Санкт–Петербург

**   Государственный научно-исследовательский институт прикладных проблем (ГосНИИПП), Санкт-Петербург

*** Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Санкт-Петербург

E-mail: pavlov_va@spbstu.ru

УДК 004.932.72

Поступила в редакцию 08.05.2019

DOI:10.17586/1023-5086-2019-86-10-30-38

В статье рассмотрено решение задачи автоматической селекции подвижных объектов на подвижном звёздном фоне в условиях наличия скоростного смаза изображения на основе свёрточных нейронных сетей. Приведены результаты тестирования нескольких сетей, имеющих существенно меньшую структурную сложность по сравнению с прототипом. Полученные оценки точности и скорости селекции для нескольких исследованных сетей свидетельствуют о перспективности применения подобных сетей для обнаружения, классификации и оценивания местоположения объектов двух типов в приборной системе координат при наличии жёстких ресурсных ограничений.

Ключевые слова: автоматическая селекция, смаз изображения, искусственный космический объект, свёрточная нейронная сеть.

Коды OCIS: 100.4996

 

Литература

1.   Лукьяница А. А., Шишкин А.Г. Цифровая обработка видеоизображений. М.: Ай–Эс–Эс Пресс, 2009. 518 с.

2.   Бобровский А.И., Морозов А.В., Цыцулин А.К. и др. Обнаружение объектов на звёздном фоне // Вопросы радиоэлектроники. Серия Техника телевидения. 2016. № 2. С. 29–38.

3.   Хайкин С. Нейронные сети. Полный курс. М.: издательский дом Вильямс, 2006. 1104 с.

4.   Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2018. 480 с.

5.   Breiman L., Friedman J.H., Olshen R.A., Stone C.J. Classification and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software, 1984. 368 p.

6.   Redmon J., Divvala S., Girshick R. et al. You only look once: unified, real–time object detection // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas. NV. 2016. P. 779–788.

7.   Potapov A.S., Zhdanov I.N., Shcherbakov O.V. et al. Semantic image retrieval by uniting deep neural networks and cognitive architectures. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) // IET. 2018. V. 10999. P. 196–206.

8.   Liu L., Ouyang W., Wang X., Fieguth P. et al. Deep learning for generic object detection: A Survey, arXiv preprint arXiv: 1809.02165, 2018.

9.   Viola P., Jones M.J. Rapid object detection using a boosted cascade of simple features // Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001. Kauai. HI. USA. 2001. P. 511–518.

10. Цыцулин А.К., Морозов А.В., Бобровский А.И., Баскакова Ю.В. и др. Классификация малоразмерных изображений космических объектов по признакам движения с помощью обучаемого алгоритма // Вопросы радиоэлектроники. Серия Техника телевидения. 2018. № 3. С. 72–80.

11. Felzenszwalb P.F., Girshick R.B., McAllester D. et al. Object detection with discriminatively trained part based models // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2010. V. 32(9). P. 1627–1645.

12. Dalal N., Triggs B. Histograms of oriented gradients for human detection. // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05). San Diego. CA. USA. 2005. V. 1. P. 886–893.

13. Lowe D.G. Object recognition from local scale-invariant features // In Computer vision. 1999. The proceedings of the seventh IEEE international conference. 1999. V. 2. P. 1150–1157.

14. Луцив В.Р. Свёрточные искусственные нейронные сети глубокого обучения // Оптический журнал. 2015. Т. 82. № 8. С. 11–23.

15. Гарин О.И. Способ настройки многомасштабной модели детектирования визуальных объектов в сверточной нейронной сети // Нейрокомпьютеры: разработка, применение. 2018. № 2. С. 50–56.

16. Чиров Д.С., Стецюк А.Н. Применение искусственных нейронных сетей в бортовых системах специальных роботехнических комплексов // Нейрокомпьютеры: разработка, применение. 2017. № 3. С. 42–43.

17. Redmon J., Farhadi A. YOLO9000: better, faster, stronger // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu. HI. 2017. P. 6517–6525.

18. Redmon J., Farhadi A. Yolov3: An incremental improvement // CoRR, abs/1804.02767, 2018. URL http://arxiv.org/abs/1804.02767.

19. Lin T.Y., Goyal P., Girshick R. et al. Focal loss for dense object detection // arXiv preprint arXiv:1708.02002. 2017.

20. Lin M., Chen Q., Yan S. Network in network // arXiv preprint arXiv: arXiv:1312.4400v3. 2013.

21. [Электронный ресурс]. Режим  доступа: pjreddie.com/darknet/yolo/

22. Маркелов К.С. Модель повышения информативности цифровых изображений на базе метода суперразрешения // Инженерный вестник. М.: МГТУ им. Н. Э. Баумана, 2013. № 3. С. 525–542.

 

Полный текст