Применение свёрточных нейронных сетей для автоматической селекции малоразмерных искусственных космических объектов на оптических изображениях звёздного неба

Цыцулин А.К., Бобровский А.И., Морозов А.В., Павлов В.А., Галеева М.А.

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Цыцулин А.К., Бобровский А.И., Морозов А.В., Павлов В.А., Галеева М.А. Применение свёрточных нейронных сетей для автоматической селекции малоразмерных искусственных космических объектов на оптических изображениях звёздного неба // Оптический журнал. 2019. Т. 86. № 10. С. 30–38. http://doi.org/10.17586/1023-5086-2019-86-10-30-38

Tsytsulin A.K., Bobrovskiy A.I., Morozov A.V., Pavlov V.A., Galeeva M.A. Using convolutional neural networks to automatically select small artificial space objects on optical images of a starry sky [in Russian] // Opticheskii Zhurnal. 2019. V. 86. № 10. P. 30–38. http://doi.org/10.17586/1023-5086-2019-86-10-30-38

Ссылка на англоязычную версию:

A. K. Tsytsulin, A. I. Bobrovskiĭ, A. V. Morozov, V. A. Pavlov, and M. A. Galeeva, "Using convolutional neural networks to automatically select small artificial space objects on optical images of a starry sky," Journal of Optical Technology. 86(10), 627-633 (2019). https://doi.org/10.1364/JOT.86.000627

Аннотация:

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

Список источников:

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.