Последние новости
Главная / Технологии / Как распознать самолет? Искусственный интеллект, контурный анализ и нейронные сети

Как распознать самолет? Искусственный интеллект, контурный анализ и нейронные сети

Как распознать самолет? Искусственный интеллект, контурный анализ и нейронные сети

Искусственный интеллект (ИИ) может стимулировать разработку компьютерных алгоритмов, способных выполнять те же задачи, что и человеческий интеллект. Некоторые области применения ИИ — это методы автоматического решения проблем для представления знаний и инженерии знаний, машинного зрения и распознавания образов, искусственного обучения, автоматического программирования, теории игр и т. д.

Существуют два момента которые затрудняют обнаружение объектов, например, самолетов, с помощью изображений оптического дистанционного зондирования. Как выделить самолет на сложном фоне с множеством серых оттенков? Как подтвердить цель в случае, если формы цели деформированы, нерегулярны или асимметричны? На это влияют условия освещения или фотографирование с покачиванием или загораживание окружающими объектами.

Как распознать самолет? Искусственный интеллект, контурный анализ и нейронные сети

Быстрорастущие технологииглубокого обучения стали основным решением многих задач машинного обучения для анализа изображений. Нейронные сети с глубокой сверткой (CNN), как одна из наиболее важных ветвей семейства глубокого обучения, широко исследуется для решения различных задач компьютерного анализа изображений, включая долгосрочные и постоянно возникающие новые проблемы. Обнаружение контуров изображения — фундаментальная, но сложная задача, изучаемая более четырех десятилетий. Недавно мы стали свидетелями значительного улучшения производительности обнаружения контуров благодаря развитию CNN.

Новые методы обработки изображений искусственным интеллектом

В последнее время методы, основанные на теории сигналов и теории множеств, остаются наиболее часто используемыми приемами обработки изображений с применением ИИ и распознаванием образов, вызывают растущий интерес. Среди этих методов некоторые из них, связанные с автоматической классификацией, уже широко используются.

Автоматическое обнаружение объектов на изображениях дистанционного зондирования всегда было актуальной темой. При использовании традиционной сети глубокой свертки, основанной на предложении области для обнаружения, в сгенерированном предложении области, имеется много отрицательных выборок, что влияет на точность и эффективность обнаружения модели. Поскольку замена выборочного поиска заметным может значительно сократить количество областей предложения, можно получить некоторую область интересов (RoI) и информацию об их положении, используя алгоритм значимости, основанный на априорном фоне для изображения дистанционного зондирования. А затем информация о местоположении отображается в вектор признаков всего изображения, полученный нейронной сетью с глубокой сверткой. Наконец, каждый RoI будет классифицирован и точно настроен ограничивающей рамкой.

Достижения последних лет в области искусственного интеллекта, обработки изображений и распознавания образов основаны на глубоком обучении и сверточных нейтронных сетях (СНС) различных архитектур. Архитектуры нейронных сетей характеризуются достаточно высокой универсальностью и переносимостью между различными областями применения.

Современные искусственные нейронные сети (ИНС) — это вычислительные системы, основанные на принципах построения биологических нейронных сетей, составляющих мозг животных. Такие системы учатся (постепенно улучшают свои способности) выполнять задачи, как правило, без программирования для решения конкретных задач. Например, при распознавании изображений самолетов они могут научиться распознавать изображения, содержащие самолеты, анализируя примеры изображений, которые были вручную помечены как «самолет» или «нет самолета», и используя результаты анализа для идентификации самолетов определенных моделей на других изображениях. Наибольшее применение ИНС нашли в программных приложениях, которые трудно выразить традиционным компьютерным алгоритмом, использующим программирование на основе правил.

Сама архитектура определяет лишь тип (сегментация, классификация) и базовые свойства сети. Нейросетевой алгоритм, обладающий хорошей точностью, представляет собой удачную комбинацию архитектуры, обучающей выборки и параметров обучения. Наличие качественного и репрезентативного обучающего набора, покрывающего большую часть возможных входных значений, является обязательным условием.

Но как решать задачу, если выборки недостаточно для обучения сети, изображения неравномерно распределены по классам (количество различается в десятки раз), репрезентативность изображений для классов различна (экземпляры одного класса различаются значительно, для второго практически одинаковы), а тестовые изображения значительно различаются с обучающими яркостью, контрастностью, пространственным разрешением, видом подстилающей поверхности?

Ответ «создать более представительную выборку» подходит далеко не всегда. В случае с распознаванием самолетов на аэрокосмических изображениях оптического диапазона собрать представительную выборку для обучения СНС определению типа летательного аппарата (особенно военного) проблематично. В таких случаях на помощь приходят классические методы машинного обучения, имеющие четкую формализацию (математическое описание) определенных признаков и способов работы с ними. СНС же выделяют признаки для разделения классов самостоятельно, и на что сеть в большей степени ориентируется при определении того или иного класса (яркость, цвет, форма, текстура) априори предсказать практически невозможно.

Аппарат контурного анализа имеет по сравнению с нейронными сетями значительно меньший спектр потенциальных применений. Однако, для решения задачи распознавания типов летательных аппаратов на аэрокосмических изображениях, использующей в качестве первичного признака форму, данный математический аппарат подходит наилучшим образом.

Тестовая выборка для проверки результата обучения

Тестовая выборка для проверки результата обучения была представлена 20 изображениями: B-1 – 6 изображений, для проверки качества обучения по малой разнородной выборке, С-130 – 14 изображений – для самой представительной выборки. Изображения взяты из другого источника, имеют меньшее разрешение (0,3-0,5 м/точку против 0,15 м/точку – для обучающих), отличные значения яркости, схему освещения.

Примеры представлены ниже:

Как распознать самолет? Искусственный интеллект, контурный анализ и нейронные сети

Несмотря на одинаковую схему камуфляжа для объектов обеих выборок, визуальные различия весьма значительны.codlix.ru

Сравнивая результаты контурного и нейросетевого решений установлено, что обобщающие способности СНС невозможно использовать на столь малых выборках без использования специальных методик, таких как перенос обучения. Единственная ошибка, допущенная методами контурного анализа, обусловлена объективной необходимостью добавления в обучающую выборку самолетов класса В-1 в летном состоянии.

Методы контурного анализа для распознавания самолетов на снимках местности

Математический аппарат контурного анализа, предложенный Я.А. Фурманом, является эффективным подходом к решению задачи распознавания объектов на основе их формы. Он использует представление распознаваемого объекта в виде «вектор-контура» (далее «контура»), который представляет собой последовательность векторов в относительных комплексных координатах, описывающих форму внешней границы данного объекта.

Как распознать самолет? Искусственный интеллект, контурный анализ и нейронные сети

Малозаметные стратегические бомбардировщики Нортроп В-2А «Спирит» на базе 509-го авиакрыла Уайтмен в МиссуриФото: taringa.net/posts/imagenes/18143532/Northrop-Grumman-B-2-Spirit-Mix-de-fotos.html

Мера схожести двух контуров, называемая «нормированное скалярное произведение» (НСП), инвариантна (нечувствительна) к переносу, вращению, масштабированию распознаваемого объекта относительно эталона.

Несмотря на столь внушительные достоинства НСП имеет ряд собственных ограничений, к которым относится необходимость выбора следующих значений: количества элементов контура и пороговой степени сходства.

Первое ограничение является следствием того, что для расчета значения НСП сравниваемые контуры должны иметь одинаковое количество элементов (при этом длины контуров – сумма длин составляющих его векторов – совпадать не обязана). Второе ограничение относится к построению решающего правила для определения принадлежности распознаваемого объекта к одному из классов и заключается в необходимости установить пороговое значения степени сходства.

Для выбора указанных параметров оптимальным образом предлагается минимизировать сумму ошибок измерения внутриклассовых и межклассовых расстояний объектов в обучающей выборке.

Данная задача рассмотрена на примере распознавания типа летательного аппарата.

Как распознать самолет? Искусственный интеллект, контурный анализ и нейронные сети

Обучающая выборка составлена из аэроизображений оптического диапазона разрешением 0.15м/точку стоянки списанных и законсервированных самолетов на авиабазе Девис-Монтен. Обучающая выборка включает самолеты восьми классов: B-1 – 17 снимков, B-52 – 10 снимков, C-5 – 20 снимков, C-37 – 11 снимков, C-130 – 135 снимков, C-135 – 81 снимок, P-3 – 92 снимка, S-3 – 64 снимка (изображения последнего увеличены в два раза).codlix.ru

Исследованиями установлено, что зависимости суммарного количества ошибок первого и второго рода относительно общего количества измерений для числа элементов контуров в пределах [100..1000] с шагом 10 от значения порога, что минимум количества ошибочных измерений достигается при пороговых значениях принятия решения 63% для B-1 и 71% для B-52 соответственно.

Выбранные пороговые значения принятия решения использованы в процессе расчета оптимальной длины контура для каждого типа самолетов, которая позволяет достичь наилучшего разделения классов обучающей выборки. Установлено, что минимум количества ошибочных измерений достигается при значениях длины контура 640 элементов для B-1 и 910 – для B-52 соответственно.

Определенные таким образом параметры метода контурного анализа применяются для анализа обучающей выборки и определения типа летательного аппарата, наиболее близкого по форме к распознаваемому.

Как распознать самолет? Искусственный интеллект, контурный анализ и нейронные сети

Самолеты в пределах одного класса обучающей выборки имеют существенные различия, как показано на следующих сериях изображений B-1 (частично сняты предкрылки, закрылки, посадочные щитки, рули высоты, стабилизаторы, двигатели).codlix.ru
Как распознать самолет? Искусственный интеллект, контурный анализ и нейронные сети
Самолеты в случае, например, B-52, практически одинаковы.codlix.ru

Наибольшие искажения контуров объектов вносит сегментация изображения, направленная на выделение самолета на фоне подстилающей поверхности и других объектов и построение его контура. Сегментацию осложняют следующие факторы: 1) наличие пестрой окраски или камуфляжа; 2) подстилающая поверхность и локализуемый объект имеют близкие значения цвета, насыщенности и яркости; 3) наличие шума и низкая резкость изображений.

Направлениями дальнейших исследований является разработка методов сегментации, позволяющих решить задачу выделения границ летательного аппарата в присутствии перечисленных выше факторов.

Смотрите также

СВЧ-радиолокаторы для БПЛА и вертолётов

СВЧ-радиолокаторы для БПЛА и вертолётов

Перспективная аппаратура обеспечит безопасную посадку беспилотников при неблагоприятных метеоусловиях.

В структурах Госкорпорации Ростех инициировали разработку радиолокационной аппаратуры нового типа. Перспективные комплексы будут работать на основе микроволнового (СВЧ) излучения, что позволит сделать её компактней существующих оптических систем. Благодаря этому новые радиолокаторы смогут использоваться в беспилотных аппаратах и компактных вертолётах.

Представители научно-производственного предприятия «Салют» (холдинг «Росэлектроника») заключили соглашение с Национальным центром вертолётостроения имени М.Л. Миля и Н.И. Камова (входит в холдинг «Вертолёты России») о взаимодействии в области разработки новых радиолокационных систем.

СВЧ-радиолокаторы для БПЛА и вертолётов

СВЧ-радиолокаторы позволят беспилотным вертолётам осуществлять посадку в неблагоприятных метеоусловиях.Фото: vpk.name

В основе перспективных комплексов будет лежать сверхвысокочастотное (микроволновое) излучение, которое позволит анализировать окружающую среду – несмотря на оптические помехи, обусловленные сложными метеоусловиями. Кроме того, СВЧ-радиолокаторы смогут обнаружить угрозы там, где оптические системы будут неэффективными.

Представители НПП «Салют» отметили, что СВЧ-системы будут дешевле оптических комплексов, которые применяются на современных вертолётах. При этом, перспективная радиолокационная аппаратура может стать компактней. Благодаря нестандартной схемотехнике, и новым методам цифровой обработки сигналов, СВЧ-радиолокаторы смогут использоваться в лёгких вертолётах, и беспилотниках холдинга «Вертолёты России».

СВЧ-радиолокаторы для БПЛА и вертолётов

Перспективная аппаратура обеспечит безопасную посадку беспилотников при неблагоприятных метеоусловиях.

В структурах Госкорпорации Ростех инициировали разработку радиолокационной аппаратуры нового типа. Перспективные комплексы будут работать на основе микроволнового (СВЧ) излучения, что позволит сделать её компактней существующих оптических систем. Благодаря этому новые радиолокаторы смогут использоваться в беспилотных аппаратах и компактных вертолётах.

Представители научно-производственного предприятия «Салют» (холдинг «Росэлектроника») заключили соглашение с Национальным центром вертолётостроения имени М.Л. Миля и Н.И. Камова (входит в холдинг «Вертолёты России») о взаимодействии в области разработки новых радиолокационных систем.

СВЧ-радиолокаторы для БПЛА и вертолётов

СВЧ-радиолокаторы позволят беспилотным вертолётам осуществлять посадку в неблагоприятных метеоусловиях.Фото: vpk.name

В основе перспективных комплексов будет лежать сверхвысокочастотное (микроволновое) излучение, которое позволит анализировать окружающую среду – несмотря на оптические помехи, обусловленные сложными метеоусловиями. Кроме того, СВЧ-радиолокаторы смогут обнаружить угрозы там, где оптические системы будут неэффективными.

Представители НПП «Салют» отметили, что СВЧ-системы будут дешевле оптических комплексов, которые применяются на современных вертолётах. При этом, перспективная радиолокационная аппаратура может стать компактней. Благодаря нестандартной схемотехнике, и новым методам цифровой обработки сигналов, СВЧ-радиолокаторы смогут использоваться в лёгких вертолётах, и беспилотниках холдинга «Вертолёты России».

Игроки полупроводникового сектора. Как Китай ценные кадры переманивает

Игроки полупроводникового сектора. Как Китай ценные кадры переманивает

Тайваньская компания TSMC, по некоторым данным, недавно лишилась сотни инженеров, которые нашли работу в Китае на более выгодных условиях.

За одну прошедшую неделю Китай переманил к себе более сотни ключевых специалистов TSMC.

TSMC(Taiwan Semiconductor Manufacturing Company)—тайваньскаякомпания, занимающаяся изучением и производствомполупроводниковых изделий. TSMC разработала большое количество перспективных технологий,производственных процессов, средств проектирования и стандартныхархитектур.

Игроки полупроводникового сектора. Как Китай ценные кадры переманивает

Охотниками за ценными кадрами TSMC, как поясняет Nikkei Asian Review, оказались две китайские компании: Quanxin Integrated Circuit Manufacturing (QXIC) и Wuhan Hongxin Semiconductor Manufacturing Co (HSMC), а также их многочисленные дочерние и смежные структуры. Поступившие с Тайваня специалисты были примерно в равных долях распределены между двумя компаниями. HSMC была основана в 2017 году, а QXIC и вовсе появилась только в 2019 году. Первая из компаний, как сообщает источник, предложила выходцам из TSMC в два с половиной раза больше, чем они получали на Тайване.

Игроки полупроводникового сектора. Как Китай ценные кадры переманивает

Если процесс переманивания продолжится, и к зиме TSMC уже лишится половины своих инженеров, которые начнут работать в китайской SMIC? Что будет с акциями TSMC? Что будет с бюджетом TSMC? Сможет ли она существенно повысить зарплаты оставшемуся персоналу достаточно, чтобы противостоять полутора триллионам долларов, которые готов предложить этим инженерам Китай?

А убедить этих инженеров остаться в TSMC на вдесятеро меньшей зарплате (и возможностях) чем то, что может предложить Китай — не получится.

Игроки полупроводникового сектора. Как Китай ценные кадры переманивает

Что будут делать сотни ключевых западных компаний типа Apple, AMD, Intel, Qualcom, если в начале 2021 они придя на Тайвань за очередной партией чипов, увидят там лишь безлюдные корпуса фабрик, и ни одного человека который бы знал как с ними обращаться?

HSMC собирается построить за $18,4 млрд предприятие по производству 14-нм процессоров к 2022 году, а в перспективе рассчитывает освоить и 7-нм техпроцесс. В финансировании компания опирается на муниципальные власти Уханя и строительную компанию с юга Китая. Бывший операционный директор TSMC Чан Шан И (Chiang Shang-yi) занимает в HSMC пост генерального директора, поэтому выбор направления для привлечения ценных кадров этой компанией не вызывает удивления.

TSMC на запрос Nikkei ответила, что ежегодно штат компании покидают не более 5 % сотрудников, и она старается создать для персонала комфортные условия для работы и карьерного роста. Из неофициальных источников стало известно, что TSMC запретила поставщикам оборудования делиться с китайскими компаниями технологическими решениями, разработанными по её заказу. По мнению аналитиков Gartner, «воспитание» квалифицированных кадров в полупроводниковой отрасли занимает годы, и простое переманивание специалистов со стороны не может обеспечить моментального эффекта. Проблема китайской отрасли заключается в том, что на местном рынке присутствует много конкурирующих компаний, которые одновременно хватаются за большое количество проектов, распыляя ресурсы не самым эффективным образом.

Игроки полупроводникового сектора. Как Китай ценные кадры переманивает

Тайваньская компания TSMC, по некоторым данным, недавно лишилась сотни инженеров, которые нашли работу в Китае на более выгодных условиях.

За одну прошедшую неделю Китай переманил к себе более сотни ключевых специалистов TSMC.

TSMC(Taiwan Semiconductor Manufacturing Company)—тайваньскаякомпания, занимающаяся изучением и производствомполупроводниковых изделий. TSMC разработала большое количество перспективных технологий,производственных процессов, средств проектирования и стандартныхархитектур.

Игроки полупроводникового сектора. Как Китай ценные кадры переманивает

Охотниками за ценными кадрами TSMC, как поясняет Nikkei Asian Review, оказались две китайские компании: Quanxin Integrated Circuit Manufacturing (QXIC) и Wuhan Hongxin Semiconductor Manufacturing Co (HSMC), а также их многочисленные дочерние и смежные структуры. Поступившие с Тайваня специалисты были примерно в равных долях распределены между двумя компаниями. HSMC была основана в 2017 году, а QXIC и вовсе появилась только в 2019 году. Первая из компаний, как сообщает источник, предложила выходцам из TSMC в два с половиной раза больше, чем они получали на Тайване.

Игроки полупроводникового сектора. Как Китай ценные кадры переманивает

Если процесс переманивания продолжится, и к зиме TSMC уже лишится половины своих инженеров, которые начнут работать в китайской SMIC? Что будет с акциями TSMC? Что будет с бюджетом TSMC? Сможет ли она существенно повысить зарплаты оставшемуся персоналу достаточно, чтобы противостоять полутора триллионам долларов, которые готов предложить этим инженерам Китай?

А убедить этих инженеров остаться в TSMC на вдесятеро меньшей зарплате (и возможностях) чем то, что может предложить Китай — не получится.

Игроки полупроводникового сектора. Как Китай ценные кадры переманивает

Что будут делать сотни ключевых западных компаний типа Apple, AMD, Intel, Qualcom, если в начале 2021 они придя на Тайвань за очередной партией чипов, увидят там лишь безлюдные корпуса фабрик, и ни одного человека который бы знал как с ними обращаться?

HSMC собирается построить за $18,4 млрд предприятие по производству 14-нм процессоров к 2022 году, а в перспективе рассчитывает освоить и 7-нм техпроцесс. В финансировании компания опирается на муниципальные власти Уханя и строительную компанию с юга Китая. Бывший операционный директор TSMC Чан Шан И (Chiang Shang-yi) занимает в HSMC пост генерального директора, поэтому выбор направления для привлечения ценных кадров этой компанией не вызывает удивления.

TSMC на запрос Nikkei ответила, что ежегодно штат компании покидают не более 5 % сотрудников, и она старается создать для персонала комфортные условия для работы и карьерного роста. Из неофициальных источников стало известно, что TSMC запретила поставщикам оборудования делиться с китайскими компаниями технологическими решениями, разработанными по её заказу. По мнению аналитиков Gartner, «воспитание» квалифицированных кадров в полупроводниковой отрасли занимает годы, и простое переманивание специалистов со стороны не может обеспечить моментального эффекта. Проблема китайской отрасли заключается в том, что на местном рынке присутствует много конкурирующих компаний, которые одновременно хватаются за большое количество проектов, распыляя ресурсы не самым эффективным образом.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *