Year: 2024
Type: dissertation
Abstract: Sosiaaliseen mediaan ladattavasta valtavasta datamäärästä on mahdollista löytää sotilastiedustelulle olennaista tietoa ilman manuaalista kuvien seulontaa. Avoimista lähteistä automaattisesti kerätty kuvamassa on mahdollista siirtää tekoälyn ja konenäön ongelmaksi. Modernit syväopetetut neuroverkot ovat kehittyneet huomattavaa vauhtia viime vuosina. Ne ovat selvästi ihmistä nopeampia ja kykenevät saavuttamaan vastaavan tarkkuuden luokittelutehtävissä. Samoin neuroverkkojen käytössä tarvittava laskentateho on suhteessa edullisempaa kuin koskaan aiemmin. Tutkimuksessa selvitettiin, miten modernien neuroverkkojen ja edullisen laskentatehon yhdistelmää voidaan hyödyntää massamaisesti kerättyjen kuvien käsittelyssä tiedusteluanalyysiä varten. Tutkimuksen päämenetelmän käytettiin kertovaa kirjallisuuskatsausta, jonka havainnot varmennettiin määrällisesti kokeellisella tutkimuksella. Konenäössä käytettäviä neuroverkkoja tarkasteltiin tutkimuksessa järjestelmänä, jonka osia säätämällä voidaan vaikuttaa sen toimintaa. Kirjallisuuskatsauksen tavoitteena oli tunnistaa neuroverkkopohjaisen konenäön hyödynnettävyyden kannalta olennaisimmat tekijät laadullisen sisältöanalyysin avulla. Kokeellisessa osuudessa hyödynnettiin kirjallisuuskatsauksen havaintoja ja testattiin kahta erilaista modernia neuroverkkoa, joiden sopivuutta OSINT-kuvien käsittelyyn arvioitiin niiden ongelmanratkaisuvarmuuden ja koulutusajan näkökulmasta. Kokeellisen osuuden analyysimenetelmänä käytettiin tuloksiin perustuvaa tilastollista analyysiä. Kirjallisuuskatsauksen lähdeaineisto on pääasiassa yliopistotason oppikirjoja, joita on paikoin täydennetty yksittäisiä aihealueita käsittelevällä tutkimuksella. Tutkimuksessa havaittiin, että syväopetettuja neuroverkkoja on mahdollista hyödyntää monin tavoin avointen lähteiden tiedustelun kohdemateriaalin käsittelyssä myös rajatulla laskentateholla. Niiden soveltuvuutta testattiin kahdella eri ongelmalla, joista toisessa eroteltiin sotilas- ja siviilikalustoa kuuteen eri luokkaan. Paras malli saavutti 94,9 % luokittelutarkkuuden kyseisessä luokittelutehtävässä. Suurimmaksi haasteeksi todettiin riittävän ison opetusmateriaalin keräys neuroverkon opetusta varten. Neuroverkkojen laskennalliseen monimutkaisuuteen eniten vaikuttavat tekijät ovat mallien ja syötedatan monimutkaisuus. Siirto-opetettujen mallien käytön havaittiin nopeuttavan ja helpottavan opetusta huomattavasti. Tutkimuksen johtopäätöksissä todettiin neuroverkkojen käyttöönottoa rajoittavaksi tekijäksi tiedusteluympäristön asettamat turvallisuusrajoitukset. Avointen lähteiden tiedustelussa vaadittu julkinen keräyspuoli on kuitenkin jo todennäköisesti eroteltu tiedustelun operatiivisesta puolesta, mikä helpottaa käyttöönottoa. Myös sujuva integrointi osaksi suunnitteluprosessia vaatii suunnittelua
Source: Doria (University of Helsinki)
Author: Koivikko, Ville
Institutions: Swedish Defence University, National Defence University
Language: Finnish
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Keywords: open source intelligence, deep learning, convolutional neural networks, computer vision, image processing, military intelligence, social media, computational efficiency, inference latency, image classification, object detection, image segmentation, image compression, image watermarking, image forensics
Open Access status: green
OpenAlex ID: W7115269686
