Текущий выпуск Номер 4, 2026 Том 18

Все выпуски

[ Switch to English ]

Обнаружение малоразмерных объектов на аэрофотоснимках с использованием сверточных нейронных сетей

Баженов С.А., Ходырев Р.Р., Кабанова Т.В., Шипилов С.Э., Вражнов Д.А., Кистенев Ю.В.
 pdf (1425K)

В работе решается задача обнаружения малоразмерных объектов на аэрофотоснимках в видимом спектре. Высокая вариативность фона и слабая выраженность признаков делают детекцию малоразмерных объектов нетривиальной задачей. В таких условиях низкая эффективность классических методов компьютерного зрения на основе дескрипторов стимулирует переход к архитектурам на основе глубоких нейронных сетей, которые демонстрируют большую обобщающую способность и устойчивость к ложным срабатываниям. В качестве метода поиска объектов на изображении был выбран одноэтапный подход на базе нейросетевой предиктивной модели. Проведен анализ нейросетевых архитектур, относящихся к данному классу, приведены их достоинства и недостатки. В качестве базовой архитектуры детектора была взята YOLO версии 11 с добавлением блока многомасштабной агрегации признаков (используется для объединения информации, полученной из слоев искусственной нейронной сети с разными масштабами) и блока селективной интеграции с учетом размерности (блок автоматически определяет, по какому измерению (канал, высота, ширина) обрабатывать данные, и выборочно объединяет их). Данные модификации направлены как на повышение вычислительной эффективности и возможности развертывания нейросетевых моделей на борту беспилотных летательных аппаратов для анализа изображений в режиме реального времени, так и для улучшения точности детекции объектов малых размеров. Учитывая сложность аннотации изображений, для обучения и тестирования (в соотношении 90/10% соответственно) использовалась открытая синтетическая база изображений, содержащая порядка 4000 изображений. Обучающая выборка была расширена путем различных случайных аугментаций. Для оценки качества полученных предиктивных моделей использовалось среднее значение точности по всем классам как с порогом 50% пересечения с экспертной разметкой, так и с варьируемым порогом 50–95%. Переобучение контролировалось при помощи анализа кривых потерь. Предложенные модификации архитектуры YOLO позволили уменьшить время обработки изображений в два раза при сохранении точности распознавания.

Ключевые слова: распознавание малоразмерных объектов, компьютерное зрение, сверточные нейронные сети, аэрофотоснимки
Цитата: Баженов С.А., Ходырев Р.Р., Кабанова Т.В., Шипилов С.Э., Вражнов Д.А., Кистенев Ю.В. Обнаружение малоразмерных объектов на аэрофотоснимках с использованием сверточных нейронных сетей // Компьютерные исследования и моделирование, 2026, т. 18, № 4, с. 855-870
Citation in English: Bazhenov S.A., Khodyrev R.R., Kabanova T.V., Shipilov S.E., Vrazhnov D.A., Kistenev Y.V. Small object detection in aerial images using convolutional neural networks // Computer Research and Modeling, 2026, vol. 18, no. 4, pp. 855-870
DOI: 10.20537/2076-7633-2026-18-4-855-870
URL: http://crm.ics.org.ru/journal/article/3749/
Creative Commons License Статья доступна по лицензии Creative Commons Attribution-NoDerivs 3.0 Unported License.

Copyright © 2026 Баженов С.А., Ходырев Р.Р., Кабанова Т.В., Шипилов С.Э., Вражнов Д.А., Кистенев Ю.В.

Журнал индексируется в Scopus

Полнотекстовая версия журнала доступна также на сайте научной электронной библиотеки eLIBRARY.RU

Журнал входит в систему  Российского индекса научного цитирования.

Журнал включен в базу данных Russian Science Citation Index (RSCI) на платформе Web of Science

Международная Междисциплинарная Конференция "Математика. Компьютер. Образование"

Международная Междисциплинарная Конференция МАТЕМАТИКА. КОМПЬЮТЕР. ОБРАЗОВАНИЕ.

Website Copyright © 2009–2026 Институт компьютерных исследований