Статті

Нейромережевий метод інваріантного розпізнавання транспортних засобів на аерокосмічних знімках

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №1 2026

Останнє оновлення: 27 лютого 2026

Опубліковано: 30 листопада -0001

Перегляди: 1289

Authors:

В. Ю. Каштан, orcid.org/0000-0002-0395-5895, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

О. В. Казимиренко, orcid.org/0000-0001-5506-6128, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

В. В. ­Гнатушенко*, orcid.org/0000-0003-3140-3788, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (1): 130 - 137

https://doi.org/10.33271/nvngu/2026-1/130

Abstract:

Мета. Розробка нейромережевого методу інваріантного розпізнавання транспортних засобів на аерокосмічних знімках високого просторового розрізнення із використанням Spatial Transformer Network.

Методика. Для забезпечення інваріантності до повороту, масштабу й зміщення об’єктів інтегровано модулі Spatial Transformer Network (STN) і Rotated RoI Align, що дозволяє класифікувати й локалізувати об’єкти на представленому наборі даних. Оптимізація моделі здійснюється за рахунок мінімізації багатозадачної функції втрат, що враховує розпізнавання, сегментацію й контроль параметрів трансформацій STN для запобігання перенавчанню.

Результати. Запропонована архітектура, що поєднує багаторівневе представлення ознак і декодувальний модуль для одночасної семантичної сегментації й точного визначення положення транспортних засобів. Для оцінки ефективності запропонованого методу проведене порівняння із популярними архітектурами виявлення об’єктів: YOLOv8, SSD, RetinaNet, Faster R-CNN, YOLOv5 і YOLOv7 на оригінальному аерокосмічному наборі даних. Метод продемонстрував найвищу та найбільш збалансовану продуктивність: точність = 100,0 %, FP = 0, а повнота = 95,5 % (виявлено 107 із 112 транспортних засобів). Це значно перевищує показники інших нейромережевих методів, які мали або високий рівень хибних спрацювань (SSD), або низьку повноту (Faster R-CNN, 26,8 %), що підтверджує ефективність запропонованої архітектури.

Наукова новизна. Запропоновано багатокомпонентний підхід до виявлення транспортних засобів на аерокосмічних знімках. Він поєднує багаторівневе представлення ознак із Backbone Network, інваріантні механізми STN і Rotated RoI Align. Така комбінація забезпечує коректне виявлення об’єктів довільного масштабу й повороту. Додатково застосована семантична сегментація контекстуальної інформації (дороги та смуги руху), що підвищує точність локалізації об’єктів. Запропонована багатозадачна функція втрат одночасно оптимізує виявлення транспортних засобів, сегментацію та стабілізує навчання STN. У межах дослідження сформовано спеціалізований набір даних, отриманий зі знімків камери SONY DSC-WX220. У цьому наборі виконане анотування транспортних засобів за допомогою орієнтованих обмежувальних рамок. Такий підхід мінімізує вплив фону й забезпечує коректне навчання моделі.

Практична значимість. Розроблений метод забезпечує точне й інваріантне виявлення транспортних засобів на аерокосмічних знімках, що дозволяє автоматизовано оцінювати щільність руху та характеристики транспортного потоку. Метод може бути використаний у системах управління дорожнім рухом.

Ключові слова: семантична сегментація, аерокосмічні знімки, інваріантне розпізнавання, згорткові нейронні мережі

References.

1. Byun, S., Shin, I.-K., Moon, J., Kang, J., & Choi, S.-I. (2021). Road traffic monitoring from UAV images using deep learning networks. Remote Sensing, 13, 4027. https://doi.org/10.3390/rs13204027

2. Liao, W., Chen, X., Yang, J. F., Roth, S., Goesele, M., Yang, M. Y., & Rosenhahn, B. (2020). LR-CNN: Local-aware Region CNN for Vehicle Detection in Aerial Imagery. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, V-2–2020, 381-388. https://doi.org/10.5194/isprs-annals-V-2-2020-381-2020

3. Preethi Latha, T., Naga Sundari, K., Cherukuri, S., & Prasad, M. V. (2019). Remote Sensing UAV/Drone technology as a tool for urban development measures in APCRDA. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-4/W16, 525-529. https://doi.org/10.5194/isprs-archives-XLII-4-W16-525-2019

4. Ivanov, D. V., Hnatushenko, V. V., Kashtan, V. Yu., & Garkusha, I. M. (2022). Computer Modeling of Territory Flooding in the Event of an Emergency at the Seredniodniprovska Hydroelectric Power Plant. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, (6), 123-128. https://doi.org/10.33271/nvngu/2022-6/123

5. Tang, T., Zhou, S., Deng, Z., Zou, H., & Lei, L. (2017). Vehicle Detection in Aerial Images Based on Region Convolutional Neural Networks and Hard Negative Example Mining. Sensors, 17, 336. https://doi.org/10.3390/s17020336

6. Kashtan, V., & Hnatushenko, V. (2023). Deep Learning Technology for Automatic Burned Area Extraction Using Satellite High Spatial Resolution Images. Lecture Notes in Computational Intelligence and Decision Making. Advances in Intelligent Systems and Computing, 1246, (рp. 664-685). Springer, Cham. https://doi.org/10.1007/978-3-031-16203-9_37

7. Kashtan, V., Hnatushenko, V., & Zhir, S. (2021). Information Technology Analysis of Satellite Data for Land Irrigation Monitoring. 2021 IEEE International Conference on Information and Telecommunication Technologies and Radio Electronics (UkrMiCo), (pp. 12-15). Kyiv, Ukraine. https://doi.org/10.1109/UkrMiCo52950.2021.9716592

8. Li, B., & Fang, L. (2020). Laser Radar Application in Vehicle Detection Under Traffic Environment. Proceedings of the International Conference on Artificial Intelligence and Security, (pp. 126-134). Singapore: Springer. https://doi.org/10.1007/978-981-13-9406-5_126

9. Xu, Y., Yu, G., Wang, Y., Wu, X., & Ma, Y. (2016). A Hybrid Vehicle Detection Method Based on Viola-Jones and HOG plus SVM from UAV Images. Sensors, 16, 1325. https://doi.org/10.3390/s16081325

10.      Tong, K., Wu, Y., & Zhou, F. (2020). Recent advances in small object detection based on deep learning: A review. Image and Vision Computing, 97, 103910. https://doi.org/10.1016/j.imavis.2020.103910

11.      Hsu, S. C., Huang, C. L., & Chuang, C. H. (2018). Vehicle detection using simplified fast R-CNN. 2018 International Workshop on Advanced Image Technology (IWAIT), Chiang Mai, Thailand, 1-3. https://doi.org/10.1109/IWAIT.2018.8369652

12.      Nguyen, H. (2019). Improving Faster R-CNN framework for fast vehicle detection. Mathematical Problems in Engineering, 1-11. https://doi.org/10.1155/2019/2312975

13.      Hakim, L., Hendrawan, A., & Khoiriyah, R. (2024). Traffic Vehicle Detection Using Faster R-CNN: A Comparative Analysis of Backbone Architectures. International Journal of Artificial Intelligence and Science, 1, 50-62. https://doi.org/10.63158/IJAIS.v1.i1.5

14.      Kou, J., Zhan, T., Zhou, D., Xie, Y., Da, Z., & Gong, M. (2023). Visual Attention-Based Siamese CNN with Softmaxfocal Loss for Laser-Induced Damage Change Detection of Optical Elements. Neurocomputing, 517, 173-187. https://doi.org/10.1016/j.neucom.2022.10.074

15.      Cao, C., Wang, B., Zhang, W., Zeng, X., Yan, X., Feng, Z., Liu, Y., & Wu, Z. (2019). An improved faster R-CNN for small object detection. IEEE Access, 7, 106838-106846. https://doi.org/10.1109/ACCESS.2019.2933173

16.      Kong, X., Zhang, Y., Tu, S., Xu, C., & Yang, W. (2023). Vehicle Detection in High-Resolution Aerial Images with Parallel RPN and Density-Assigner. Remote Sensing, 15, 1659. https://doi.org/10.3390/rs15061659

17.      Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv:1804.02767. https://doi.org/10.48550/arXiv.1804.02767

18.      Bochkovskiy, A., Wang, C. Y., & Liao, H. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv:2004.10934. https://doi.org/10.48550/arXiv.2004.10934

19.      Yin, Q., Yang, W., Ran, M., & Wang, S. (2021). FD-SSD: An improved SSD object detection algorithm based on feature fusion and dilated convolution. Signal Processing: Image Communication, 98, 116402. https://doi.org/10.1016/j.image.2021.116402

20.      Hnatushenko, V., Kashtan, V., & Kazymyrenko, O. (2025). Information Technology for Detecting Cars on Aerial Imaging Using a Modified YOLO-OBB Architecture. MoDaST 2025: Modern Data Science Technologies – Doctoral Consortium, (pp. 293-304). June 15. Lviv, Ukraine. Retrieved from https://ceur-ws.org/Vol-4005/paper20.pdf

21.      Jing, R., Liu, S., Gong, Z., Wang, Z., Guan, H., Gautam, A., & Zhao, W. (2020). Object-Based Change Detection for Very High-Resolution Remote Sensing Images Based on a Trisiamese-LSTM. International Journal of Remote Sensing, 41(16), 6209-6231. https://doi.org/10.1080/01431161.2020.1734253

22.      Alif, M. A. R. (2024). YOLOv11 for Vehicle Detection: Advancements, Performance, and Applications in Intelligent Transportation Systems, 16. https://doi.org/10.48550/arXiv.2410.22898

23.      Zhao, M., Yan Zhong, Y., Sun, D., & Chen, Y. (2021). Accurate and efficient vehicle detection framework based on SSD algorithm. IET Image Processing, 15, 3094-3104. https://doi.org/10.1049/ipr2.12297

24.      Ammar, A., Koubaa, A., Ahmed, M., Saad, A., & Benjdira, B. (2021). Vehicle Detection from Aerial Images Using Deep Learning: A Comparative Study. Electronics, 10, 820. https://doi.org/10.3390/electronics10070820

25.      Ma, X., & Yang, Z. (2021). A new multi-scale backbone network for object detection based on asymmetric convolutions. Science Progress, 104, 1-17. https://doi.org/10.1177/00368504211011343

26.      Xie, X., Cheng, G., Wang, J., Yao, X., & Han, J. (2021). Oriented R-CNN for Object Detection. https://doi.org/10.48550/arXiv.2108.05699

• < Попередня
• Наступна >