Запропоновано модель детектора об'єктiв i критерiй ефективностi навчання моделi. Модель мiстить 7 перших модулiв згорткової мережi Squeezenet, два згортковi рiзномасштабнi шари, та iнформацiйно-екстремальний класифiкатор. Як критерiй ефективностi навчання моделi детектора розглядається мультиплiкативна згортка частинних критерiїв, що враховує ефективнiсть виявлення об'єктiв на зображеннi та точнiсть класифiкацiйного аналiзу. При цьому додаткове використання алгоритму ортогонального узгодженого кодування при обчисленнi високорiвневих ознак дозволяє збiльшити точнiсть моделi на 4 %. Розроблено алгоритм навчання детектора об'єктiв за умов малого обсягу розмiчених навчальних зразкiв та обмежених обчислювальних ресурсiв, доступних на борту малогабаритного безпiлотного апарату. Суть алгоритму полягає в адаптацiї верхнiх шарiв моделi до доменної областi використання на основi алгоритмiв зростаючого розрiджено кодуючого нейронного газу та симуляцiї вiдпалу. Навчання верхнiх шарiв без вчителя дозволяє ефективно використати нерозмiченi данi з доменної областi та визначити необхiдну кiлькiсть нейронiв. Показано, що за вiдсутностi тонкої настройки згорткових шарiв забезпечується 69 % виявлених об'єктiв на зображеннях тестової вибiрки Inria Aerial Image. При цьому пiсля тонкої настройки на основi алгоритму симуляцiї вiдпалу забезпечується 95 % виявлених об'єктiв на тестових зображеннях. Показано, що використання попереднього навчання без вчителя дозволяє пiдвищити узагальнюючу здатнiсть вирiшальних правил та прискорити iтерацiйний процес знаходження глобального максимуму при навчаннi з учителем на вибiрцi обмеженого обсягу. При цьому усунення ефекту перенавчання здiйснюється шляхом оптимального вибору значення гiперпараметру, що характеризує ступiнь покриття вхiдних даних нейронами мережi Ключовi слова: зростаючий нейронний газ, детектор об'єктiв, iнформацiйний критерiй, алгоритм симуляцiя вiдпалу
The research increases the recognition reliability of ground natural and infrastructural objects by use of an autonomous onboard unmanned aerial vehicle (UAV). An information-extreme machine learning method of an autonomous onboard recognition system with the optimization of RGB components of a digital image of ground objects is proposed. The method is developed within the framework of the functional approach to modeling cognitive processes of natural intelligence at the formation and acceptance of classification decisions. This approach, in contrast to the known methods of data mining, including neuro-like structures, provides the recognition system with the properties of adaptability to arbitrary initial conditions of image formation and flexibility in retraining the system. The idea of the proposed method is to maximize the information capacity of the recognition system in the machine learning process. As a criterion for optimizing machine learning parameters, a modified Kullback information measure was used, this informational criterion is the functionality of exact characteristics. As optimization parameters, the geometric parameters of hyperspherical containers of recognition classes and control tolerances for recognition signs were considered, which played the role of input data quantization levels when transforming the input Euclidean training matrix into a working binary training matrix using admissible transformations of a working training matrix the offered machine learning method allows to adapt the input mathematical description of recognition system to the maximum full probability of the correct classification decision acceptance. To increase the depth of information-extreme machine learning, optimization was conducted according to the information criterion of the weight coefficients of the RGB components of the brightness spectrum of ground object images. The results of physical modeling on the example the recognition of terrestrial natural and infrastructural objects confirm the increase in functional efficiency of information-extreme machine learning of on-board system at optimum in information understanding weight coefficients of RGB-components of terrestrial objects image brightness.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.