Применение нейросетевых технологий для распознавания распределенных объектов на радиолокационных изображениях


Авторы

Тонких А. Н.

Научно-производственное объединение НаукаСофт, 129085, г. Москва, улица Годовикова, 9, с. 4

e-mail: alex_tonkih@mail.ru

Аннотация

Рассмотрены подходы к построению алгоритмов решения задач обнаружения и распознавания распределенных искусственных объектов на радиолокационных изображениях. Проведен анализ нейросетевых технологий в решении задач дешифрирования изображений. Обоснована необходимость математического моделирования для информационного обеспечения обучения нейросетевых алгоритмов. Построена архитектура свёрточной нейронной сети по совместному обнаружению и распознавания объектов на радиолокационных изображениях с последующим обучением. Анализ полученных результатов подтвердил работоспособность предлагаемого решения.

Ключевые слова:

радиолокация, радиолокационное изображение, математическое моделирование, свёрточная нейронная сеть, обнаружение, распознавание

Библиографический список

  1. Школьный Л.А., Толстов Е.Ф., Детков А.Н., Карпов О.А. Радиолокационные системы воздушной разведки, дешифрирование радиолокационных изображений. – М.: ВВИА им. проф. Н.Е. Жуковского, 2008. – 531 с.
  2. Кондратенков Г.С., Потехин В.А., Реутов А.П., Феоктистов Ю.А. Радиолокационные станции обзора Земли. – М.: Радио и связь, 1983. - 272 с.
  3. Школьный Л.А., Тонких А.Н., Ясько С.И. Алгоритм автоматического обнаружения и распознавания некомпактных групповых объектов по радиолокационным данным // Радиотехника. 2008. № 6. С. 32-37.
  4. Власов С.О. и др. Решение задачи обнаружения объекта с помощью нейросетевых технологий // Препринты ИПМ им. М.В. Келдыша. 2023. № 16. 27 с.
  5. Дзюба В.А. Исследование алгоритмов и методов обнаружения и распознавания на основе нейросетевых систем // Современные научные исследования и инновации. 2021. № 12. URL: https://web.snauka.ru/issues/2021/12/97280
  6. Ярцев И.М., Прохоров А.Г., Дмитриев И.Н. Технология создания системы нейросетевого автоматического распознавания одиночных наземных и надводных объектов вооружений, военной и специальной техники на основе системы исходных данных, полученных методом математического моделирования. – М.: Юнити-Дана, 2023. С. 299-315.
  7. Савченко Б.С., Соболев А.В. Технология обнаружения и классификации объектов искусственного происхождения на высокодетальных снимках, полученных космическими радиолокаторами с синтезированной апертурой антенны // Материалы XXXIII Всероссийского симпозиума «Радиолокационное исследование природных сред» (Санкт-Петербург, 19–20 апреля 2023): сборник трудов. – Санкт-Петербург: Военно-космическая академия имени А.Ф. Можайского, 2024. С. 146-151.
  8. Ненашев В.А. Ненашев С.А. Классификация и распознавание наземных объектов в потоке радиолокационных кадров на основе нейросетевого подхода в передней зоне обзора бортовых РЛС многопозиционной системы // Труды Международной конференции по компьютерной графике и зрению "Графикон". 2023. № 33. С. 572-580. DOI: 10.20948/graphicon-2023-572-580
  9. Moving and Stationary Target Acquisition Recognition (MSTAR). Program Review. Denver. CO. Nov., 1996.
  10. Novak L.M., Owirka G.J., Brower W.S., Weaver A.I. The Automatic Target-Recognition System in SAIP // Lincoln Laboratory Journal. 1997. Vol. 10, No. 2. P. 187-201.
  11. Novak L.M., Owirka G.J., Brower W.S. An Efficient Multi-Target SAR ATR Algorithm // Asilomar Conference. Pacific Grove. CA. November 1998.
  12. Owirka G.J., Verbout S.M., Novak L.M. Template-based SAR ATR performance using different image echancement techniques. In Algorithms for Synthetic Aperture Radar Imagery VI // Proc. of SPIE. 1999. Vol. 3721, P. 302-319.
  13. Гаврилов К.Ю., Каменский К.В., Малютина О.А. Моделирование траекторного сигнала в радаре с синтезированием апертуры на основе оптических изображений земной поверхности // Труды МАИ. 2021. № 118. URL: https://trudymai.ru/published.php?ID=158252. DOI: 10.34759/trd-2021-118-12
  14. Кузнецова В.А., Тонких А.Н. Программный комплекс моделирования радиолокационных данных // VII Международная научно-практичеcкая конференция «Актуальные проблемы и перспективы развития радиотехнических и инфокоммуникационных систем» «Радиоинфоком-2023» (Москва, 20-24 ноября 2023): сборник трудов. – М.: МИРЭА, 2023. С. 43-46.
  15. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. In: Bengio Y., LeCun Y. (eds.) // Proceedings of the 3rd International Conference on Learning Representations (ICLR-2015). San Diego, CA, USA; 2015. DOI: https://doi.org/10.48550/arxiv.1409.1556
  16. Akshay Kapoor, Rishi Shah, Rushi Bhuva, Tejas Pandit. Understanding inception network architecture for image classification. University of Waterloo, February 2020. DOI: 10.13140/RG.2.2.16212.35204
  17. He K., Zhang 0X., Ren S., Sun J. Deep Residual Learning for Image Recognition. Computer Vision and Pattern Recognition, Dec 2015. DOI: 10.48550/arXiv.1512.03385
  18. Brock A., De S., Smith S., Simonyan K. High-Performance Large-Scale Image Recognition Without Normalization. Feb 2021. DOI: 10.48550/arXiv.2102.06171
  19. Joseph Redmon, Ali Farhadi. YOLO9000: Better, Faster. University of Washington, Institute for AI/ 2016. DOI: 10.48550/arXiv.1612.08242
  20. Girshick R. Fast R-CNN. Computer Vision and Pattern Recognition, Sep 2015. DOI: 10.48550/arXiv.1504.08083
  21. Бабокин М.И., Ефимов А.В., Зайцев С.Э., Карпов О.А. и др. Космический аппарат "Кондор-Э" с РСА и его возможности // Исследование Земли из космоса. 2017. № 3. С. 85-95. DOI: 10.7868/S0205961417030010
  22. Гусев С.Н., Сахно И.В., Хуббиев Р.В. Методика оценивания качества формирования виртуальных объектов на радиолокационных изображениях // Труды МАИ. 2019. № 104. URL: https://trudymai.ru/published.php?ID=102169
  23. Каменский К.В. Влияние траекторных нестабильностей и характеристик бортовой навигационной системы на качество радиолокационного изображения при синтезировании апертуры // Труды МАИ. 2022. № 125. URL: https://trudymai.ru/published.php?ID=168186. DOI: 10.34759/trd-2022-125-14
  24. Сенцов А.А., Ненашев В.А., Иванов С.А., Турнецкая Е.Л. Совмещение сформированных радиолокационных изображений с цифровой картой местности в бортовых системах оперативного мониторинга земной поверхности // Труды МАИ. 2021. № 117. URL: https://trudymai.ru/published.php?ID=156227. DOI: 10.34759/trd-2021-117-08


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2025

 Вход