Details

Объект исследования – метод сегментации радиолокационных изображений с помощью машинного обучения и статистических признаков. Цель работы – разработка метода сегментации радиолокационных изображений с помощью машинного обучения и статистических признаков для повышения производительности процесса сегментации. В процессе выполнения работы осуществлён анализ существующих решений и разработка своего метода. Кроме того, создан набор данных, разработана архитектура предлагаемого метода, его сравнение с классическими методами машинного обучения, такими как метод опорных векторов, метод ближайших соседей, наивный байесовский классификатор, а также с глубокими методами: U-Net и DeeplabV3. Полученные результаты показывают эффективность предлагаемого подхода при обнаружении на изображении воды и земли. Достигается высокое качество сегментации и уровень производительности, превышающей известные методы при минимальном использовании вычислительных ресурсов. Данный метод реализован с использованием алгоритмов машинного обучения на центральном процессоре. Учитывая ограничения в летательных и подводных аппаратах, спутниковых системах по массогабаритным и энергетическим характеристикам, он может быть интегрирован в них.

The object of research is a method of segmentation of radar images using machine learning and statistics. The aim is to develop a method for segmentation of radar images using machine learning and statistical features to improve performance of the segmentation process. In the process of the work, the analysis of existing solutions and the development of our own method were carried out. In addition, a data set was created, the architecture of the proposed method was developed, its comparison with classical machine learning methods such as the support vector machine method, the nearest neighbor method, the naive Bayes classifier and with deep methods: U-Net and DeepLabV3. The results obtained show the effectiveness of the proposed approach in detecting water and land in the image. A high quality of segmentation and a level of performance exceeding known methods with minimal use of computing resources are achieved. This method is implemented using machine learning algorithms on a central processor. Given the limitations in aircraft and underwater vehicles, satellite systems in terms of weight, size and energy characteristics, it can be integrated into them.