Все выпуски

В работе представлен метод анализа цифровых изображений, основанный на совместном использовании быстрого дискретного шиарлет-преобразования и статистически значимых мер информационной энтропии и сложности. Предложенный подход ориентирован на исследование пространственных структур различной природы, включая регулярные, стохастические и многомасштабные системы, и позволяет выявлять закономерности их организации без необходимости предварительной сегментации или обучения моделей.

В основе метода лежит построение локальных вероятностных распределений на основе коэффициентов шиарлет-преобразования, учитывающего масштабную и направленную структуру изображений. На базе этих распределений вычисляются нормированная энтропия Шеннона и статистическая сложность, определяемая черездиверг енцию от равномерного распределения. Это позволяет перейти от анализа отдельных коэффициентов к более устойчивому описанию структурных свойств изображений в пространстве «энтропия – сложность».

Метод протестирован на ряде синтетических и реальных данных. В частности, исследован переход от упорядоченных систем к хаотическим, продемонстрирована чувствительность предложенных мер к разрушению регулярных структур. На примере фрактальных объектов (треугольник Серпинского) показано, что статистическая сложность достигает максимума на характерных масштабах самоподобия. Применение метода к изображениям поверхности Марса продемонстрировало его потенциал для задач дистанционного зондирования и геоморфологического анализа.

Отдельное внимание уделено устойчивости метода к шуму. Показано, что даже слабое зашумление приводит к росту энтропии и снижению сложности, что позволяет использовать данные характеристики как индикаторы дегра- дации структур.

Полученные результаты свидетельствуют о том, что пространство «энтропия – сложность», сформированное на основе шиарлет-преобразования, может служить универсальным инструментом для анализа многомасштабных изображений. Предложенный подход обладает высокой чувствительностью к структурным особенностям данных и может быть применен в широком спектре задач, включая обработку текстур, анализ природных изображений и медицинскую диагностику.

Работа посвящена исследованию влияния нелинейных процессов в пограничном слое на общий характер течений газа в микроканалах технических систем. Подобное исследование актуально для задач нанотехнологий. Одной из важных задач в этой сфере является анализ потоков газа в микроканалах в случае переходных и сверхзвуковых течений. Результаты этого анализа важны для техники газодинамического напыления и для синтеза новых наноматериалов. Из-за сложности реализации полномасштабных экспериментов на микро- и наномасштабах они чаще всего заменяются компьютерным моделированием. Эффективность компьютерного моделирования достигается как за счет использования новых многомасштабных моделей, так и за счет сочетания сеточных методов и методов частиц. В данной работе мы используем метод молекулярной динамики. Он был применен для исследования установления газового микротечения в металлическом канале. В качестве газовой среды был выбран азот. Металлические стенки микроканалов состояли из атомов никеля. В численных экспериментах были рассчитаны коэффициенты аккомодации на границе между течением газа и металлической стенкой. Исследование микросистемы в пограничном слое позволило сформировать многокомпонентную макроскопическую модель граничных условий. Эта модель была интегрирована в макроскопическое описание течения на основе системы квазигазодинамических уравнений. На основе такой преобразованной газодинамической модели были проведены расчеты микротечения в реальной микросистеме. Результаты были сопоставлены с классическим расчетом течения, не учитывающим нелинейные процессы в пограничном слое. Сравнение показало необходимость использования разработанной модели граничных условий и ее интеграции с классическим газодинамическим подходом.

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.