В настоящей работе рассмотрены классические и нейросетевые подходы обработки изображений в задаче обнаружения и классификации объектов в видеопоследовательности с борта беспилотного летательного аппарата. На основе анализа рассмотренных подходов выбрана архитектура, наиболее подходящая для распознавания мелкомасштабных объектов заданного типа в режиме реального времени – YOLO2. Собран и размечен репрезентативный набор данных, который был использован для обучения выбранного детектора. Получена модель YOLO2 позволяющая различать автомобили, самолёты, вертолёты, корабли и здания с удовлетворительной точностью классификации и локализации.

• СОДЕРЖАНИЕ
• ВВЕДЕНИЕ
• ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ АЛГОРИТМОВ ОБНАРУЖЕНИЯ И РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТЯХ
  • 1.1 Детектор Виолы-Джонса
  • 1.2 Детектор Далала-Триггса
  • 1.3 DPM
  • 1.4 Семейство R-CNN
    • 1.4.1 Fast R-CNN
    • 1.4.2 Faster R-CNN
    • 1.4.3 Mask R-CNN
    • 1.4.4 PVANet
  • 1.5 YOLO
  • 1.6 Single Shot MultiBox Detector (SSD)
  • 1.7 YOLO2
  • 1.8 Метрики в задачах компьютерного зрения
• ГЛАВА 2. ВЫБОР АЛГОРИТМА
• ГЛАВА 3. ЭКПЕРЕМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
  • 3.1. ОБУЧЕНИЕ
  • 3.2 ПОЛУЧЕННЫЕ РЕЗУЛЬТАТЫ
• ЗАКЛЮЧЕНИЕ
• Список литературы