ПОРІВНЯННЯ МЕТОДІВ ГЛИБОКОГО НАВЧАННЯ В ЗАДАЧАХ РОЗПІЗНАВАННЯ ЛІТАКІВ ЗА ДАНИМИ АЕРОКОСМІЧНОЇ ЗЙОМКИ

Анотація

Мета – дослідження методів глибокого навчання в задачах розпізнавання літаків за даними аерокосмічної зйомки. Методи. У ході дослідження проведено порівняльний аналіз методів глибокого навчання для розпізнавання літаків, зокрема Faster R-CNN, SSD, SSD Lite, FCOS та RetinaNet, на спеціалізованому наборі даних, що складається з 2120 зображень високої роздільної здатності й містить 14335 анотованих літаків. Для кожної з моделей розраховано метрики точності Precision, Recall, mAP50-95 та mAP50. Результати. Отримані результати дослідження вказують на те, що моделі Faster R-CNN та FCOS забезпечують найвищі значення за метриками mAP50-95та mAP50. Для моделі Faster R-CNN значення метрики mAP50-95 становило 0,786, а mAP50 – 0,985, для моделі FCOS – 0,789 та 0,984 відповідно. Це свідчить про високу точність у виявленні контурів об’єктів. Моделі RetinaNet і SSD, хоча й показують дещо нижчі результати (0,746 і 0,617 за метрикою mAP50-95 відповідно), зберігають високі показники Precision та Recall, що підтверджує їх ефективність. Для моделі RetinaNet показник Precision становив 0,98, а Recall – 0,91, а для моделі SSD – 0,99 і 0,71 відповідно. Модель SSD Lite продемонструвала найнижчі результати за метриками mAP50-95 (0,275) та mAP50 (0,520), проте її висока швидкість роботи та задовільні значення Precision (0,98) роблять її перспективною для застосування в задачах з обмеженими ресурсами або в режимі реального часу. Новизна. Виконано порівняльний аналіз продуктивності різних моделей глибокого навчання для задачі розпізнавання літальних апаратів на аерокосмічних зображеннях високої роздільної здатності. Встановлено, що моделі Faster R-CNN та FCOS забезпечують найвищу точність серед протестованих алгоритмів, тоді як модель SSD Lite демонструє оптимальне співвідношення між точністю та швидкістю оброблення, що робить її придатною для застосувань з обмеженими ресурсами або в режимі реального часу. Цінність. Результати дослідження показали, що моделі Faster R-CNN та FCOS завдяки високим показникам mAP50-95 і mAP50 є найбільш ефективними для задач, де основним пріоритетом є точність виявлення. Це робить їх доцільними для використання у військових або безпекових системах моніторингу, де мінімізація хибних спрацьовувань і підвищення надійності виявлення об’єктів є важливими. Модель SSD Lite, зі своєю вищою швидкістю оброблення, є оптимальним вибором для систем безпілотних літальних апаратів, мобільних платформ або інших додатків, де час реакції є ключовим фактором.