Модель сверточной нейронной сети LeNet5 для обнаружения и классификации объектов воздушного пространства на изображениях

Abstract

Для решения задачи обнаружения и классификации летающих объектов трех классов на изображениях разработана новая модель сверточной нейронной сети, архитектура которой является модификацией известной архитектуры сверточной нейронной сети LeNet5. Для ее обучения, валидации и исследования эффективности разработаны два датасета. Первый из них содержит размеченные изображения с одиночными летающими объектами трех классов: беспилотный летательный аппарат самолетного типа, включая «летающее крыло», беспилотный летательный аппарат вертолетного типа и Птица. Второй датасет наряду с изображениями первого датасета включает размеченные изображения, содержащие два и более летающих объектов этих же классов. Исследования предложенной модели сверточной нейронной сети по точности классификации летающих объектов на изображениях тестовых выборок этих датасетов показали, что модель дает высокие результаты только при решении задач распознавания летающих объектов на изображениях, когда на каждом анализируемом изображении имеется по одному такому объекту

To solve the problem of detecting and classifying flying objects of three classes in images, a new convolutional neural network model has been developed, the architecture of which is a modification of the well-known LeNet5 convolutional neural network architecture. Two datasets were developed for its training, validation and effectiveness research. The first of them contains labeled images with single flying objects of three classes: aircraft-type unmanned aerial vehicle, including «flying wing», helicopter-type unmanned aerial vehicle, and Bird. The second dataset, along with the images of the first dataset, includes labeled images containing two or more flying objects of the same classes. Studies of the proposed convolutional neural network model on the accuracy of classification of flying objects in images of test samples of these datasets shown that the model gives good results only when solving problems of recognizing flying objects in images, when there is one such object in each analyzed image