В.А. Павлов – вед. инженер, 

Высшая школа прикладной физики и космических технологий 

Санкт-Петербургского политехнического университета Петра Великого E-mail: pavlov_va@spbstu.ru

Постановка проблемы. Одной из актуальных задач компьютерного зрения является обнаружение и распознавание искусственных космических объектов (ИКО) на фоне звездного неба.

Цель. Проанализировать возможность применения сверточных нейронных сетей семейства YOLO для обнаружения и распознавания изображений малоразмерных искусственных космических объектов на фоне звездного неба и наземных объектов на аэрофотоснимках.

Результаты. Разработаны наборы данных, состоящие из изображений искусственных космических объектов на фоне звездного неба и наземных объектов на аэрофотоснимках. Получены результаты обучения и тестирования сверточных нейронных сетей на сформированных наборах данных.  Показано, что увеличение числа классов, сложности модели сцены и требуемой надежности распознавания ведет к усложнению архитектуры сверточной нейронной сети.

Практическая значимость. Исследованные версии обученных нейронных сетей показали высокую надежность обнаружения и распознавания объектов на сложном фоне.

1. Bakir N., Pavlov V., Zavjalov S., Volvenko S., Gumenyuk A., Rethmeier M. Development of a novel optical measurement technique to investigate the hot cracking susceptibility during laser beam welding // Welding in the World. 2019. Т. 63. № 2. С. 435−441.
2. Bakir N., Pavlov V., Zavjalov S., Volvenko S., Gumenyuk A., Rethmeier M. Novel metrology to determine the critical strain conditions required for solidification cracking during laser welding of thin sheets // Journal of Physics: Conference Series. 2018. № 1109. С. 1−9.
3. Bobrovsky A., Galeeva M., Morozov A., Pavlov V., Tsytsulin A. Automatic detection of objects on star sky images by using the convolutional neural network // Journal of Physics: Conference Series. 2019. № 1236. С. 1−6.
4. Обухова Н.А., Тимофеев Б.C. Захват и сопровождение объектов в автоматизированной системе // Материалы IV Междунар. науч.-практич. конф. «Электронные средства и системы управления». 12−14 октябрь 2005. Томск. С. 277−280.
5. Обухова Н.А. Векторы оптического потока в задачах сегментации и сопровождения подвижных объектов // Известия ВУЗов России. Сер. Радиоэлектроника. 2006. № 2. С. 42−51.
6. Лукьяница А.А., Шишкин А.Г. Цифровая обработка видеоизображений. М.: Ай–Эс–Эс Пресс. 2009. 518 с.
7. Хайкин С. Нейронные сети. Полный курс. М.: Издательский дом Вильямс. 2006. 1104 с.
8. Dalal N., Triggs B. Histograms of oriented gradients for human detection // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), San Diego, CA, USA. 2005. Т. 1. С. 886−893.
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. С. 511−518.
10. 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. Т. 32. № 9. С. 1627−1645.
11. Girshick R., Donahue J., Darrell T., Malik J. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation // IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH. 2014. С. 580−587.
12. Girshick R. Fast R-CNN // IEEE International Conference on Computer Vision (ICCV). Santiago. 2015. С. 1440−1448.
13. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Т. 39. № 6. С. 1137−1149.
14. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV. 2016. С. 779−788.
15. Redmon J., Farhadi A. YOLO9000: better, faster, stronger // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI. 2017. С. 6517−6525.
16. Redmon J., Farhadi A. Yolov3: An incremental improvement // arXiv, 2018. Preprint, arXiv:1804.02767v1.
17. Бобровский А.И., Морозов А.В., Цыцулин А.К. и др. Обнаружение объектов на звездном фоне // Вопросы радиоэлектроники. Сер. Техника телевидения. 2016. № 2. С. 29−38.
18. 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.
19. Lin T., Goyal P., Girshick R. et al. Focal loss for dense object detection // arXiv, 2017. Preprint arXiv:1708.02002.
20. Lin T., Dollár P., Girshick R., He K,. Hariharan B., Belongie S. Feature Pyramid Networks for Object Detection // arXiv, 2017. preprint arXiv:1612.03144.
21. [Электронный ресурс]. Режим доступа: captain-whu.github.io/DOTA/index.html (дата обращения: 1.09.2019).
22. [Электронный ресурс].Режим доступа:vision.cse.psu.edu/data/vividEval/datasets/datasets.html (дата обращения: 1.09.2019).
23. [Электронный ресурс].Режим доступа: kaggle.com (дата обращения: 1.09.2019).
24. [Электронный ресурс].Режим доступа: google.ru/maps (дата обращения: 1.09.2019).
25. Everingham M., Van Gool L., Williams C.K.I. et al. The Pascal Visual Object Classes (VOC) Challenge // International Journal of Computer Vision. 2010. № 2. С. 303−338.
26. Lin M., Chen Q., Yan S. Network In Network // arXiv, 2013. Preprint arXiv: arXiv:1312.4400v3.
27. Kristan M., Leonardis A., Matas J. et al. The sixth visual object tracking VOT2018 challenge results // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2019. Т. 11129. С. 3−53.