Текущий выпуск Номер 5, 2026 Том 18

Все выпуски

Результаты поиска по 'binMSTAR':
Найдено статей: 1
  1. Вебер В.И., Иванов Д.Д., Куприц В.Ю., Светличный Ю.А.
    Детектирование малоразмерных объектов на радиолокационных изображениях
    Компьютерные исследования и моделирование, 2026, т. 18, № 5, с. 1249-1268

    В работе исследовано совместное влияние формата аннотации объектов и разрешения входных изображений на качество бинарной детекции малоразмерных наземных объектов на радиолокационных изображениях. Выполнен сравнительный анализ моделей семейства YOLO (v5, v8, v11, v26) и специализированных архитектур ориентированного детектирования, включая Rotated RetinaNet, R3Det, ROI Transformer, Gliding Vertex и другие модели. Для исследования сформирован набор данных binMSTAR на основе открытой базы mixMSTAR, содержащий аннотации в форматах горизонтальных (HBB) и ориентированных (OBB) ограничивающих рамок для 9 вариантов разрешения входных кадров от 640 × 640 до 1408 × 1408 пикселей.

    Статистическая значимость различий оценивалась с использованием непараметрического U-критерия Манна – Уитни. Установлено, что применение OBB обеспечивает статистически значимое преимущество по метрике mAP50–95, в среднем на 6,5% выше по сравнению с HBB, за счет уменьшения влияния избыточного фонового шума в области разметки. Определен оптимальный диапазон размера входного кадра 896–1024 пикселя. Дальнейшее увеличение разрешения снижает точность локализации из-за перенасыщения признакового описания фоновыми областями. Наилучшие метрики показали модели семейства YOLO, а именно модель YOLOv11(m), для которой при разрешении 960 × 960 пикселей получено значение mAP50–95 = 0,87. Специализированные OBB-детекторы при разрешении 1024 × 1024 пикселя продемонстрировали сопоставимую полноту обнаружения с Recall до 0,997. Полученные результаты обосновывают целесообразность использования ориентированных рамок и выбора входного разрешения в диапазоне 896–1024 пикселя для задач бинарной детекции малоразмерных объектов на РЛИ.

    Ключевые слова: радиолокационное изображение, радиолокатор с синтезированием апертуры, детекция объектов, модели YOLO, малоразмерный объект, binMSTAR, mixMSTAR, горизонтальные ограничивающие рамки, ориентированные ограничивающие рамки, входное разрешение, глубокое обучение.
    Weber V.I., Ivanod D.D., Kuprits V.Y., Svetlichny Y.A.
    Small object detection in radar images
    Computer Research and Modeling, 2026, v. 18, no. 5, pp. 1249-1268

    This study examines how object annotation format and input image resolution jointly affect the quality of binary detection of small objects in radar images. The study aims to compare YOLO family models, including YOLOv5, YOLOv8, YOLOv11, and YOLOv26, with specialized oriented object detection architectures such as Rotated RetinaNet, R3Det, ROI Transformer, Gliding Vertex, and related models in the task of binary detection of small ground objects in radar imagery. The study also aims to identify data preparation parameters that improve object localization accuracy.

    For the experimental analysis, we formed a new binMSTAR dataset from the open mixMSTAR database. The dataset contains annotations in horizontal bounding box (HBB) and oriented bounding box (OBB) formats for nine input frame resolutions ranging from 640 × 640 to 1408 × 1408 pixels. We assessed the statistical significance of the observed differences using the nonparametric Mann – Whitney U test. The results show that OBB annotation provides a statistically significant advantage in terms of mAP50–95, with an average improvement of 6.5%, because it reduces the influence of redundant background noise. The experiments also reveal an optimal input frame size range of 896–1024 pixels. Further resolution growth decreases localization accuracy, since excessive background content weakens the object-related feature representation. YOLO models demonstrate the best overall balance of detection quality, with YOLOv11(m) reaching a peak mAP50–95 of 0.87 at a resolution of 960 pixels. At the same time, specialized OBB detectors at a resolution of 1024 pixels achieve comparable recall values, reaching up to 0.997. These results support the use of oriented bounding boxes and input resolutions within the 896–1024 pixel range for binary detection tasks in radar imagery.

    Keywords: radar image, synthetic aperture radar, object detection, YOLO models, small object, binMSTAR, mixMSTAR, horizontal bounding boxes, oriented bounding boxes, input resolution, deep learning.

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