Для автоматического распознавания самолетов по снимкам применяются искусственные нейронные сети (ИНС), которые представляют собой сложные вычислительные системы, принцип работы которых опирается на построение биологических нейронных сетей, подобно тому, как они построены в мозгу у животных. При этом без специального программирования данные системы обучаются, постепенно улучшая свои способности. Так, например, они могут распознавать изображения, содержащие самолеты, анализируя примеры изображений, которые были ранее указаны как «самолет» и идентифицировать определенные модели на других представленных изображениях.
Заданная архитектура определяет лишь тип и базовые свойства сети, а вот нейросетевой алгоритм, обладающий хорошей точностью, представляет собой удачную комбинацию архитектуры, обучающей выборки и параметров обучения, что является обязательным условием для наиболее точного выполнения поставленной задачи.
Однако, существует проблема, когда необходимо решать задачу при условии недостаточной выборки для обучения сети, либо изображения неравномерно распределены по классам, либо репрезентативность изображений для классов различна, а тестовые изображения значительно различаются с обучающими по параметрам яркости, контрастности, пространственным разрешением, видом подстилающей поверхности?
Но в случае, если выборки недостаточно для обучения сети, изображения неравномерно распределены по классам и их репрезентативность изображений для классов различна, а также имеются другие параметры отличия (яркость, контрастность, окружающий фон), то возникают проблемы по определению типа летательного аппарата.
Используя классические методы машинного обучения, имеющие четкое математическое описание определенных признаков, система выделяют параметры для разделения классов самостоятельно, и на что сеть в большей степени ориентируется при определении того или иного класса.
Существующая система контурного анализа, в отличие от нейронных сетей, имеет значительно меньший спектр потенциальных применений, но для распознавания типов летательных аппаратов на аэрокосмических изображениях, где в первую очередь используется форма, она наиболее полно удовлетворяет поставленным задачам.
По сравнению с нейронными сетями контурный анализ имеет меньшую область применения, но для решения задачи распознавания типов летательных аппаратов на аэрокосмических изображениях, на которых в качестве первичного признака распознается форма, данный математический аппарат подходит наилучшим образом.
Для проверки результата машинного обучения была представлена тестовая выборка двумя десятками изображений различных типов самолетов, имеющих различные разрешения, значения яркости и схему освещения.
Сравнение ИНС с классическими методами установило, что возможности СНС невозможно использовать на малых выборках без использования специальных методик.
Распознавания объектов на основе их формы, применяя математический аппарат контурного анализа, который использует представление распознаваемого объекта в виде «вектор-контура», описывающего форму внешней границы данного объекта.
С целью повышения точности распознавания контуры сравниваемых самолетов должны иметь аналогичное количество элементов и должно быть установлено пороговое значение степени сходства.
Необходима настройка параметров метода контурного анализа для распознавания самолетов на снимках местности.
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.
При этом НСП имеет ряд ограничений, к которым относится необходимость выбора количества элементов контура и пороговой степени сходства.
Параметры, определенные метода контурного анализа, применяются в последующем для обучающей выборки и определения типа летательного аппарата, который наиболее близкий по форме к распознаваемому.
