Get started
Work

Сравнительный анализ нейросетевых моделей для задачи обнаружения беспилотных летательных аппаратов

Type: article
Abstract: Сравнительный анализ нейросетевых моделей для задачи обнаружения беспилотных летательных аппаратов С.В.Вычегжанин 1 , А.Г.Татаринова 1 , Р.Е.Мышкин 2 1 Вятский государственный университет, 610000, Россия, г.Киров, ул.Московская, д. 36; 2 АО «Научно-исследовательский институт средств вычислительной техники», 610025, Россия, г.Киров, ул.Мельничная, д. 31 Аннотация В статье проведен сравнительный анализ моделей YOLO и вариантов их тонкой настройки для задачи обнаружения беспилотных летательных аппаратов в реальном времени.Представлены оценки качества и вычислительной производительности различных семейств моделей от YOLOv3 до YOLO12 и версий от нано-до сверхбольшой.Проанализированы их преимущества и недостатки на основе широкого спектра мер, включая точность, полноту, F1-меру, среднюю точность, время вывода и размер модели.Исследованы варианты тонкой настройки предварительно обученных на корпусе Common Objects in Context моделей при разных разрешениях входных изображений и скорости обучения.Выполнен анализ ошибок обнаружения беспилотных летательных аппаратов малых размеров в сложных условиях с использованием специализированных наборов данных.Исследование показало, что семейство YOLO11 является оптимальным по совокупности оцениваемых параметров, обеспечивая баланс между качеством и вычислительной производительностью.Наиболее высокие оценки качества обнаружения беспилотных летательных аппаратов на тестовом наборе данных были получены с использованием тонко настроенной модели yolo11m с увеличенным разрешением входных изображений и достигли значений F1 = 0,970, AP50 = 0,981, AP50-95 = 0,765.Ключевые слова: обработка изображений, обнаружение объектов, нейросетевые алгоритмы, глубокое обучение, трансферное обучение.
Language: Russian
Open Access status: green
OpenAlex ID: W7225022079
Cites: 22
Cited by:
Related to: 10