Обработка изображений в телевизионной системе селекции с использованием частотно-ориентированных нейронных сетей для повышения точности и снижения вычислительной сложности тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Гу Линюнь

• Гу Линюнь
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Гу Линюнь

ВВЕДЕНИЕ

ГЛАВА 1. СОСТОЯНИЕ ВОПРОСА И

ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ

1.1. Развитие технологий дистанционного зондирования Земли

1.2. Методы глубокого обучения для обнаружения общих объектов

1.3. Наборы данных и методы обнаружения объектов дистанционного зондирования на основе глубокого обучения

1.4. Нейросетевые методы легкой оптимизации

1.5. Метрики оценки для обнаружения объектов

ГЛАВА 2. МЕТОД ОБНАРУЖЕНИЯ ОБЪЕКТОВ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ НА ОСНОВЕ СВЕРТКИ В ЧАСТОТНОЙ ОБЛАСТИ

2.1. Описание проблемы

2.2. Проектирование сети

2.2.1. Магистральная сеть

2.2.2. Сеть объединения признаков

2.2.3. Модуль обучения по интересующим областям

2.2.4. Модуль постобработки

2.3. Функция потерь и обучение сети

2.4. Эксперимент

2.4.1. Набор данных и экспериментальная установка

2.4.2. Результаты и анализ точности

2.4.3. Анализ сложности сети

Выводы по Главе

ГЛАВА 3. МЕТОД ОБНАРУЖЕНИЯ ОБЪЕКТОВ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ НА ОСНОВЕ ДВУСТОРОННЕГО СЛИЯНИЯ

3.1. Описание проблемы

3.2. Проектирование сети

3.2.1. Спектрально-ориентированная сеть F-ResNet

3.2.2. Двусторонняя спектрально-ориентированная сеть пирамиды признаков

3.3. Экспериментальные результаты и их обсуждение

3.3.1. Набор данных и экспериментальная установка

3.3.2. Результаты и анализ точности

Выводы по Главе

ГЛАВА 4. СНИЖЕНИЕ ВЫЧИСЛИТЕЛЬНОЙ СЛОЖНОСТИ НЕЙРОСЕТЕВОГО ДЕТЕКТОРА НАЗЕМНЫХ ОБЪЕКТОВ

4.1. Проблематика и мотивация

4.2. Проектирование сети

4.3. Модуль генерации контекстных признаков

4.4. Стратегия адаптивной плотной много-учительской дистилляции

4.5. Результаты и обсуждение

Выводы по Главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Приложение А. Акт о внедрении

Введение диссертации (часть автореферата) на тему «Обработка изображений в телевизионной системе селекции с использованием частотно-ориентированных нейронных сетей для повышения точности и снижения вычислительной сложности»

ВВЕДЕНИЕ

Актуальность темы исследования. Настоящая диссертационная работа посвящена решению ключевых научно-технических проблем обнаружения и селекции объектов изображений, формируемых телевизионными системами дистанционного зондирования Земли, а именно: повышению точности селекции мелких и разномасштабных объектов на сложных изображениях дистанционного зондирования, уменьшению размера и вычислительной сложности модели, повышению скорости селекции и развертыванию модели в спутниковых бортовых прикладных телевизионных системах.

Прошедшее десятилетие знаменует собой стремительное развитие технологий дистанционного зондирования Земли. Функционирующее в настоящее время космические спутники дистанционного зондирования высокого разрешения позволяют получить чёткие изображения размерами порядка метров или, даже, сантиметров. Основная задача этих спутников - наблюдение и сбор данных о поверхности Земли, атмосфере и океанах. Среди всех спутников наблюдения наибольший процент имеют спутники видимого света. Самолеты также стали важным инструментом для получения высокоточных изображений локализованных областей благодаря своей гибкости, мобильности и сравнительно низкой стоимости.

Среди множества областей, связанных с обработкой изображений дистанционного зондирования, обнаружение объектов является весьма важным и популярным направлением исследований, имеющим широкий спектр применения: городское планирование, транспортный контроль, спасательные операции после стихийных бедствий, сельскохозяйственный мониторинг, охрана окружающей среды и др.

Задачами обработки изображений, в том числе, полученных с борта аэродинамических и космических летательных аппаратов, занимались многие отечественные и зарубежные исследователи. Среди них следует упомянуть В.Р.

Крашенинникова, Ю.В. Визильтера, Л.В. Новоторцева, Н.А. Обухова, А.А. Мотыко, А.К. Цыцулина, В.А. Павлова, Shutao Li, Huang Xin, Cao Lihua, Edisanter Lo, Christian Heipke, Benjamin Koetz, Mahta Moghaddam и др.

Так, в работах Ю.В. Визильтера получены фундаментальные результаты в области математической морфологии для технического зрения, разработаны бортовые авиационные и космические телевизионные системы, обеспечивающие возможность распознавания объектов на полученных изображениях [1-2].

Исследования Л. В. Новоторцева направлены на разработку алгоритмов поиска населённых пунктов на наборе аэрофотоснимков [3-6].

Тематика научных исследований Н.А. Обуховой и А.А. Мотыко ориентирована на задачи компьютерного зрения, синтеза трёхмерных изображений, обработки медицинских снимков, в частности, анализа эндоскопических изображений [130-135].

В работах А.К. Цыцулина, В.А. Павлова и др. рассмотрены вопросы, связанные с обнаружением и распознаванием искусственных космических объектов, актуальные в целях отслеживания космического мусора [7-8, 9-11].

Shutao Li долгое время занимается исследованиями в области обработки изображений дистанционного зондирования, информационной интеграции и распознавания образов. Он разработал теорию структурно-разреженного представления и слияния изображений, добился прорыва в таких ключевых технологиях, как пространственно-спектральное интегральное формирование изображений и многомерное многодетальное зондирование [12-13].

Область исследований Cao Lihua включает обнаружение слабых инфракрасных целей, обнаружение целей малыми беспилотными летательными аппаратами, улучшение алгоритмов распознавания в архитектуре YOLO [14].

Исследования Edisanter Lo связаны с обнаружением аномалий и целей в гиперспектральных изображениях, им получены заметные результаты в разработке алгоритмов обнаружения субпиксельных целей на основе глубоких нейронных сетей [15].

Работы Christian Heipke связаны с фотограмметрией, анализом изображений дистанционного зондирования, интегрирования систем компьютерного зрения и геоинформационных систем [16].

Область научных интересов Mahta Moghaddam - применение методов машинного обучения для идентификации и классификации специфических наземных объектов, например, зон лесных пожаров, структуры растительности в сельскохозяйственных посадках и др. [17].

Традиционное обнаружение объектов на изображениях дистанционного зондирования можно условно разделить на четыре метода: на основе сопоставления шаблонов, на основе базы знаний, на основе анализа изображений и на основе машинного обучения. Как правило, эти методы обнаружения опираются на признаки, созданные вручную, что требует большого временного ресурса, сильно зависят от опыта и самих данных, имеют низкий уровень обобщения и поэтому трудно адаптируются к массивным и сложным данным.

За прошедшее десятилетие наблюдается взрывной рост исследований, связанных с применением нейронных сетей для решения задач обработки изображений. Появление свёрточных нейронных сетей, таких как Fast R-CNN [26], Faster R-CNN [27], YOLO [28], SSD [29] и др. позволило совершить прорыв в области обработки изображений, обеспечив быстрое и точное обнаружение объектов.

Изначальные архитектуры указанных сетей хотя и позволяли решать поставленные перед ними задачи, в частности, обнаружение и селекцию объектов на изображениях, характеризовались не очень высокими показателями эффективностями: громоздкость структуры, сравнительно низкое быстродействие, большая вычислительная сложность и др., однако дальнейшее развитие этого направление позволило существенно улучшить эффективность сетевых архитектур [41]. Так, Ли и др. улучшили оригинальную структуру Faster R-CNN [30], введя дополнительные многоугольные опорные кадры в RPN для достижения многоугольного обнаружения объектов. Кроме того, авторы разработали двухканальную сеть комбинирования признаков для изучения локальной и

контекстной информации на изображении, чтобы еще больше повысить точность обнаружения. Чжун и др. был предложен позиционно-чувствительный метод балансировки для разрешения конфликта между инвариантностью перевода на этапе классификации и инвариантностью перевода на этапе обнаружения, чтобы улучшить качество генерации областей-кандидатов [31].

В работе Танга и др. предложен улучшенный метод обнаружения на основе Faster R-CNN, в котором сначала используют сеть предложений суперрегионов для завершения выделения области объекта с целью обеспечения меньшего количества пропущенных обнаружений, а затем уменьшают количество ложных обнаружений за счет использования сложной выборки [32].

В архитектуре YOLT предлагается крупномасштабная сеть обнаружения объектов дистанционного зондирования, разработанная с учетом YOLO и направленна на быстрое обнаружение интересующих объектов на большом количестве изображений, а также на достижение точности поиска на спутниковых снимках 0,5 кв. км в секунду [33].

Ян и др. предложили сеть R3Det, основанную на модуле уточнения признаков, который повторно кодирует информацию о положении ограничительной рамки с помощью попиксельной интерполяции признаков для их восстановления и выравнивания, что позволяет уменьшить проблему несоответствия признаков в одноэтапном подходе и значительно повысить точность [34].

Для решения проблемы несогласованности признаков Хан и др. предложили сеть одиночного выравнивания S2A-Net, в которой разработан новый оператор для адаптивного выравнивания свернутых признаков на основе генерации высококачественных кадров-кандидатов с использованием сети уточнения якорей. Кроме того, в S2A-Net реализованы методы обнаружения объектов при больших размерах изображений, что позволяет достичь лучшего баланса между скоростью и точностью [35].

Хотя методы обнаружения объектов на основе свёрточных нейронных сетей позволяют достичь хороших результатов при работе с изображениями они по-

прежнему сталкиваются с серьезными проблемами в задачах обнаружения объектов на изображениях дистанционного зондирования. В том числе:

• в сценах дистанционного зондирования, как правило, имеется достаточно много мелких объектов, и из-за малого количества пикселей и слабого представления признаков мелкие объекты легко пропустить вследствие потери информации при понижающей дискретизации;

• объекты дистанционного зондирования имеют большой разброс масштабов, и в нейронной сети сильный сигнал от крупных объектов стремится подавить слабый отклик мелких объектов, что приводит к снижению точности;

• существующие методы обнаружения на основе глубокого обучения, как правило, имеют много параметров и высокую вычислительную сложность, что затрудняет их реализацию на небольших спутниковых или воздушных устройствах с ограниченной вычислительной мощностью и пространством для хранения данных, а также не позволяет удовлетворить требованиям к скорости работы таких приложений.

Особую актуальность указанные проблемы приобретают в тех случаях, когда сетевую архитектуру предполагается реализовывать на удалённых аэрокосмических объектах: космических спутниках, небольших самолётах, аэростатах и др. Технико-экономические ограничения (недостаточная энерговооружённость, невозможность соблюдения температурного режима, невысокие характеристики оптико-телевизионных устройств и др.) зачастую делают невозможным использование тех решений, которые продемонстрировали высокую эффективность в обычных «земных» условиях.

В этой связи приходится вновь обращаться к поиску сетевых архитектур (моделей), способных, с одной стороны, по-прежнему демонстрировать высокую эффективность в «стандартных» условиях, а с другой - быть способными обеспечить приемлемые показатели в условиях ресурсных ограничений.

Объект исследования. Объектом исследования являются изображения, полученных со спутниковых снимков дистанционного зондирования Земли.

Предмет исследования. Предметом исследований являются методы

повышения эффективности обнаружения и селекции объектов на изображениях дистанционного зондирования.

Цель и задачи диссертационной работы. Целью работы является повышение точности обнаружения и селекции малых объектов на изображениях дистанционного зондирования посредством учёта контекстной информации через операции в спектральной области при снижении вычислительной сложности.

Для достижения поставленной цели, необходимо решение следующих основных задач.

1. Разработка сетевой архитектуры, включающей свёрточную нейронную сеть и блоки обработки информации в спектральной области.

2. Разработка метода передачи информации от сети-учителя, содержащей большое число контекстных параметров, к сети-ученику с меньшим числом контекстных параметров, обеспечивающего повышение производительности сети-ученика.

3. Экспериментальная проверка работоспособности разработанного метода и сравнение его характеристик с аналогичными характеристиками существующих методов селекции объектов.

4. Анализ возможности реализации предложенных решений в телевизионных системах аэрокосмических аппаратах с ограниченными ресурсами.

Методы исследований. Для решения поставленных задач применяются следующие методы:

• методы нейронных сетей;

• методы спектрального анализа;

• методы компьютерного моделирования;

• экспериментальные методы получения и анализа результатов.

Научная новизна результатов диссертационной работы. Научная

новизна диссертационной работы заключается в следующем.

Предложено использование в архитектуре нейронной сети пространственного преобразования Фурье для повышения эффективности обнаружения малых объектов на изображениях дистанционного зондирования

Земли.

Предложен метод передачи информации от сети-учителя, содержащей большое число параметров, к сети-ученику с меньшим числом параметров. Данный метод позволяет повысить производительность сети-ученика при одновременном снижении объёма модели и вычислительной сложности.

Предложен механизм учёта контекстных признаков, относящихся к окружающей среде, другим объектам и глобальной структуре сцены. Этот подход позволяет повысить точность селекции объектов при одновременном снижении вычислительной сложности.

Предложена двунаправленная пирамида признаков, с использованием которой сеть сначала обогащает признаки в поверхностном слое, а затем признаки малых объектов в поверхностном слое вводятся в глубокие слои.

Положения, выносимые на защиту. В ходе решения поставленных задач были сформулированы следующие положения.

1. Архитектура сети обнаружения объектов на изображениях, основанная на быстрой свёртке FFC в спектральной, позволяет компенсировать потерю информации о небольших объектах и эффективно извлекать глобальные признаки изображения., что значительно повышает точность обнаружения. По сравнению с традиционной свёрточной архитектурой отсутствует необходимость проектирования сложных модулей удаленного извлечения признаков.

Предложенный подход позволяет достигает средней точности mAP 73,5%, превосходя все сравниваемые модели. Так, имеет место улучшение на 2,9% по сравнению с базовым уровнем сети пирамид признаков FPN (70,6%) и еще более существенное преимущество на 5,5% по сравнению с методом CSFF (68,0%).

Наряду с увеличением средней точности также имеет место снижение вычислительной сложности - примерно 76% от сложности базовой сетевой архитектуры, что особенно актуально в условиях реализации сетевой архитектуры в условиях ограниченных ресурсов, например, на борту космического аппарата.

2. Сетевая архитектура FFPF со спектрально-ориентированной пирамидой признаков позволяет повысить эффективность обнаружения и селекции

разномасштабных объектов на изображениях дистанционного зондирования Земли. При работе с набором данных DIOR предложенный подход улучшает производительность обнаружения в 17 категориях объектов, показатели улучшения составляют от 0,5% до 11,0%. Улучшение показателя средней точности mAP по двадцати категориям по сравнению со многими широко используемыми сетевыми архитектурами, такими как YOLOv3, YOLOv8, Faster R-CNN, PANet, FPN и др. составляет от 0,4% до 19,7% при не сильно (до 1,3 раза) возрастающем числе операций с плавающей точкой.

3. Механизм CDFD «дистилляции знаний» с учётом контекстных признаков и интегрированных знаний сети-учителя, состоящий из модуля генерации контекстных признаков CFGM и стратегии адаптивной плотной многоучительской дистилляции ADMD, позволяет существенно снизить вычислительную сложность нейросетевых обнаружителей малоразмерных объектов и реализовать в условиях ресурсных ограничений, что актуально для космических аппаратов и БПЛА. Например, в сети CDFD-ResNet50 достигается значение mAP 73,1% на наборе данных DIOR, что на 2,5% выше значения mAP по сравнению с оригинальной сетью и также превосходит производительность сети-учителя. Производительность сети-ученика CDFD-ResNet50 (58 %) сопоставима с лучшей сетью-учителем (58,1%) при обучении с учётом CDFD.

Теоретическая значимость работы. Впервые предложен и исследован метод обнаружения объектов на изображениях базирующийся на информации в пространственной и спектральной областях, благодаря сочетанию преобразований в спектральной области и операции свертки удается эффективно извлечь глобальные признаки изображения. Такой механизм извлечения признаков позволяет компенсировать потерю информации о небольших объектах в процессе обычной свертки, что значительно повышает точность обнаружения.

С целью повышения точности обнаружения и селекции разномасштабных объектов на изображениях дистанционного зондирования впервые предложена архитектура спектрально-ориентированной пирамиды признаков, состоящая из

сети извлечения признаков, сети спектрально-ориентированной пирамиды, сети генератора предлагаемых областей и слоя пулинга.

В работе впервые предложен механизм «дистилляции знаний» с учётом контекстных признаков и интегрированных знаний сети-учителя, включающий модуль генерации контекстных признаков и учитывающий стратегию адаптивного много-учительского обучения, что обеспечивает снижение вычислительной сложности нейросетевых обнаружителей малоразмерных объектов.

Практическая значимость результатов работы. Предложенные решения могут быть применены к реализации сетевых архитектур на программно-аппаратных платформах космических аппаратах дистанционного зондирования, беспилотных летательных аппаратов, аэростатов для автоматической идентификации целей (например, транспортных средств, сельскохозяйственных посадок, результатов стихийных бедствий и т. д.) В работе представлен набор сценариев от разработки алгоритма, сжатия модели до развертывания встраиваемой системы, что обеспечивает многовариативные решения и способствует практическому применению технологии интеллектуальной обработки данных дистанционного зондирования в таких областях, как охрана окружающей среды, реагирование на чрезвычайные ситуации и «умный город». Показана возможность реализации результатов диссертационной работы на программно-аппаратной платформе Jetson AGX Xavier с размерами 105 мм х 105 мм х 65 мм и весом около 1,5 кг.

Достоверность полученных результатов. Результаты диссертации являются обоснованными и достоверными, что подтверждается:

• использованием в качестве теоретической и методологической основы исследования трудов отечественных и зарубежных учёных, ведущих специалистов в исследуемой предметной области;

• использованием в качестве информационной базы материалов, опубликованных в научных и периодических изданиях, диссертационных исследованиях;

• реализации архитектур нейросетей на языке Python, широко используемом в инженерной и научной практике;

• совпадением экспериментальных результатов и моделирования, применением современных методов, вычислительной аппаратуры и программных средств;

• апробацией результатов исследования на различных научно-практических конференциях, их публикацией в рецензируемых научных периодических изданиях, в том числе, рекомендованных ВАК РФ.

Внедрение результатов работы. Имеется акт о внедрении результатов исследований, полученный от Московского государственного технического университета им. Н. Э. Баумана.

Результаты диссертации в части применения обнаружения объектов дистанционного зондирования использованы в телевизионных системах селекции, а именно:

1. Архитектура нейронной сети, включающая пространственное преобразование Фурье.

2. Метод передачи информации от сети-учителя, содержащей большое число параметров, к сети-ученику с меньшим числом параметров. Двунаправленная пирамида признаков.

Применение предложенных результатов в совместном исследовательском проекте с МГТУ им. Н.Э. Баумана продемонстрировало значительный прогресс в производительности обнаружения объектов дистанционного зондирования.

Реализация результатов работы. Результаты диссертационного исследования получены в рамках проектов China Scholarship Council, грант № 202106210056 (2021-2025 гг.), Best International Grant for PhD Peter the Great St.Petersburg Polytechnic University (2022 г., 2024 г.).

Кроме того, результаты исследования используются в учебном процессе в Санкт-Петербургском политехническом университете Петра Великого, университете Цинхуа (Пекин, КНР), а также при реализации технологических проектов Нанкинского инновационного центра HUAMAN компании

информационных технологий (Нанкин, КНР).

Апробация работы. Полученные в диссертационной работе результаты исследований работы обсуждались на Всероссийских и международных конференциях:

• 73th International Astronautical Congress, 2022, Paris, France;

• 2022 International Conference on Electrical Engineering and Photonics, St. Petersburg, Russia;

• 74th International Astronautical Congress, 2023, Baku, Azerbaijan;

• 2023 International Conference on Electrical Engineering and Photonics, St. Petersburg, Russia;

• Неделя науки ИЭиТ. Материалы Всероссийской конференции. Санкт-Петербург, 2023;

• 75th International Astronautical Congress, 2024, Milan, Italy;

Публикации. По теме диссертации опубликовано 7 печатных работ, в том

числе 2 в рецензируемых научных периодических изданиях, рекомендованных ВАК РФ по специальности 2.2.13 - Радиотехника, в том числе, системы и устройства телевидения, и 5 в изданиях, индексируемых в базах Scopus и Web of Science.

Статьи в журналах из перечня ВАК:

1) Гу Л., У Г., Попов Е.А., Макаров С.Б., Дун Г. Повышение точности обнаружения мелких объектов на изображениях с помощью контекстной информации. - Радиотехника, 2024, № 3, с.78-91.

2) Гу Л., У Г., Павлов В.А., Попов Е.А., Макаров С.Б., Дун Г. Снижение вычислительной сложности нейросетевого обнаружителя малоразмерных объектов с помощью дистилляции знаний. Вопросы радиоэлектроники. Серия "Техника телевидения". 2025 г., вып. 1. с 48-59.

Публикации в изданиях, индексируемых в Scopus и Web of Science:

1) Gu L, Fang Q, Wang Z, et al. Learning Lightweight and Superior Detectors

with Feature Distillation for Onboard Remote Sensing Object Detection[J]. Remote Sensing, 2023, 15(2): 370.

2) Lingyun G, Popov E, Ge D. Spectral Network Combining Fourier Transformation and Deep Learning for Remote Sensing Object Detection[C]//2022 International Conference on Electrical Engineering and Photonics (EExPolytech). IEEE, 2022: 99-102.

3) Lingyun G, Kaiwang L, Qingyun F, Popov E, Ge D. Optimizing Object Detectors with Knowledge Distillation for On-Board Earth Observation [C]// 74th International Astronautical Congress (IAC) 2024-B1.IP.62.

4) Lingyun G, Popov E, Ge D. Two-stream feature fusion strategy for multimodal remote sensing object detection in Earth Observation[C]//75th International Astronautical Congress (IAC) 2024-B1.IP.88.

5) Kaiwang L, Lingyun G, Popov E, et al. 6D Pose Estimation of Aircraft Based on Multi-Model Data[C]//2023 International Conference on Electrical Engineering and Photonics (EExPolytech). IEEE, 2023: 190-193.

Личное участие автора. Основные результаты диссертации получены автором лично.

Автором предложено совместное использование традиционной архитектуры нейронной сети и остаточного слоя, в котором осуществляется изучение взаимодействия между пространственными признаками в спектральной области, что позволило существенно улучшить эффективность селекции малых целей.

Автором предложено использовать двунаправленную пирамиду признаков, что позволило разработать механизм объединения пропусков и, как следствие, снизить потери информации о мелких деталях по сравнению с традиционными нейросетями.

Автором предложен метод передачи информации от сети-учителя, содержащей большое число контекстных параметров, к сети-ученику с меньшим числом контекстных параметров, что позволяет повысить производительность сети-ученика.

Автором самостоятельно проведены исследования и предложены новые

алгоритмы для решения поставленных задач, выполнено компьютерное моделирование, проведён анализ полученных результатов.

Автор приняла непосредственное участие в подготовке и написании статей, а также докладов и выступлениях на семинарах и конференциях.

Направления дальнейших исследований

Исходя из выполненных в данной работе исследований представляются перспективными следующие направления дальнейших исследований.

Расширение экспериментальных результатов путём тестирования разработанных архитектур FFPF и CDFD на более сложных и разнородных наборах ДЗ-данных, что позволит подтвердить универсальность и робастность предложенных методов в различных условиях съёмки. Апробирование предложенных методов на мультимодальных спутниковых данных, включая гиперспектральные изображения. Усовершенствование архитектурных решений, в частности, возможности использования вейвлет-преобразования для выделения признаков малоразмерных объектов.

Структура и объем. Диссертация содержит Введение, 4 главы, заключение, список литературы, включающий 135 наименования. Общий объем работы 138 стр., включая 33 рисунка, 28 таблиц.

ГЛАВА 1. СОСТОЯНИЕ ВОПРОСА И ПОСТАНОВКА ЗАДАЧ

ИССЛЕДОВАНИЯ

В данной главе представлен обзор существующей литературы, имеющей отношение к тематике исследований. Он включает в себя обзор основных теорий, определений и методов, связанных с методами обнаружения объектов, в том числе, объектов на изображениях дистанционного зондирования, а также методов нейросетевой обработки. Определяются нерешенные проблемы и обсуждаются исследовательские задачи диссертационной работы.

1.1. Развитие технологий дистанционного зондирования Земли

Прошедшее десятилетие знаменует собой стремительное развитие технологий дистанционного зондирования Земли. Функционирующее в настоящее время космические спутники дистанционного зондирования высокого разрешения позволяют получить чёткие изображения размерами порядка метров или, даже, сантиметров. Согласно базе данных Союза неравнодушных ученых (Union of Concerned Scientists, UCS), к 2023 году в мире было развернуто 1192 космических спутника различных стран, главным образом, США, Китая, Росси, Канады. Основная задача этих спутников - наблюдение и сбор данных о поверхности Земли, атмосфере и океанах. Среди всех спутников наблюдения наибольший процент имеют спутники видимого света, как показано на рисунке 1.1. Самолет также стал важным инструментом для получения высокоточных изображений локализованных областей благодаря своей гибкости, мобильности и низкой стоимости.

2% 1%

■ Optical • Radar ■ Hyperspectral/Multispectral ■ Infrared ■ Video

Рисунок 1.1 - Процентное соотношение спутников для съемки

За последние два десятилетия было успешно запущено множество спутников, обеспечивающих важную информационную поддержку для развития технологий обнаружения объектов дистанционного зондирования. В настоящее время основными оптическими спутниками наблюдения Земли являются спутники серий Landsat, QuickBird, Sentinel, Gaofen и др. Спутники серии Landsat совместно эксплуатируются NASA и USGS, Landsat 9 оснащен мультиспектральными датчиками OLI-2, которые обеспечивают оптические изображения с разрешением 30 метров и могут быть использованы для обнаружения растительных и водных объектов [18]. QuickBird оснащен мультиспектральными, SAR и другими датчиками, которые могут использоваться для картографирования городов и других задач путем объединения мультимодальных данных [19]. Спутники Sentinel-2A и Sentinel-2B [20] несут мультиспектральный имиджер (MSI) с 13 спектральными диапазонами, который может быть использован для обнаружения пожаров, береговой линии и т.д. Серия спутников Gaofen является важной частью китайской системы наблюдения Земли с высоким разрешением, предоставляя мультиспектральные изображения с разрешением 2 метра, которые могут быть использованы для классификации землепользования и оценки ущерба от стихийных бедствий [21].

Список литературы диссертационного исследования кандидат наук Гу Линюнь, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Визильтер Ю.В., Желтов С.Ю., Бусурин В.И. Современный морфологический анализ и его применение в авиационных системах технического зрения. - M.: Изд-во MÄM, 2020. - 160 с.: ил.

2. Vizilter, Y V. and Zheltov, S. Y : Geometrical Correlation and Matching of 2D Image Shapes, ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., I-3, 191-196, doi: 10.5194/isprsannals-I-3-191-2012, 2012.

3. Новоторцев Л.В., Волобой А.Г. Ускорение метода перебора плоскостей при трехмерной реконструкции строений по аэроснимкам // Труды XXVIII международной конференции по компьютерной графике и машинному зрению «Графикон». Томск. 2018. С. 226-229.

4. Новоторцев Л.В., Волобой А.Г. Ускорение алгоритма распознавания зданий по нескольким аэрофотоснимкам за счет предобработки изображений // Препринты ИПM им. M3. Келдыша. 2018. № 207. С 12.

5. Новоторцев Л.В., Волобой А.Г. Сопоставление областей на аэрофотоснимках в задаче распознавания строений // Новые информационные технологии в автоматизированных системах: материалы девятнадцатого научно-практического семинара - M.: HQM им. M.В.Kелдыша, 20 апреля 2018. С. 17-23.

6. L.V. Novotortsev, A.G. Voloboy. Detection and 3D Reconstruction of Buildings from Aerial Images // Programming and Computer Software, vol. 45, No. 6, 2019, pp. 311-318, D0I:10.1134/S0361768819060069.

V. Цыцулин А.К., Бобровский А.И., Mорозов А.В., Павлов В.А., Галеева MA. Применение свёрточных нейронных сетей для автоматической селекции малоразмерных искусственных космических объектов на оптических изображениях звёздного неба // Оптический журнал. 2019. Т. 86. № 10. С. 30-38.

8. Цыцулин А.К., Лысенко Н.В., Mанцветов А.А., Баранов П.С., Бобровский А.И. Автоматическое управление чувствительностью в телевизионных системах // Оптический журнал. 2019. Т. 86. № 9. С. 30-37.

9. Павлов, В. А. Применение свёрточных нейронных сетей для

обнаружения и распознавания искусственных космических и наземных объектов /В. А. Павлов // Радиотехника. - 2019. - T. 83. - № 12(20). - С. 58-67.

10. Павлов, В. А. Выбор архитектуры нейронной сети для обнаружения и классификации изображений космических объектов [Текст] / А. И. Бобровский, А. В. Морозов, А. Г. Чепелев, В. А. Павлов, В. В. Галанов // Вопросы радиоэлектроники. Серия Техника телевидения. - 2020. - № 1. - С. 64-73.

11. Павлов, В. А. Применение свёрточной нейронной сети для сопровождения объектов на последовательности аэрофотоснимков [Текст] / С. Б. Макаров, А. И. Бобровский, В. А. Павлов, А. К. Безбородов // Вопросы радиоэлектроники. Серия Техника телевидения. - 2020. - № 2. - С. 3-18.

12. S. Zhang, T. Lu, W. Fu and S. Li, "Superpixel-Level Hybrid Discriminant Analysis for Hyperspectral Image Feature Extraction," in IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1-13, 2022, Art no. 5540713, doi: 10.1109/TGRS.2022.3214523.

13. S. Zhang, T. Lu, S. Li and W. Fu, "Superpixel-Based Brownian Descriptor for Hyperspectral Image Classification," in IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1-12, 2022, Art no. 5520112, doi: 10.1109/TGRS.2021.3133878.

14. Dai, D.; Cao, L.; Liu, Y; Wang, Y; Wu, Z. Classification of High-Altitude Flying Objects Based on Radiation Characteristics with Attention-Convolutional Neural Network and Gated Recurrent Unit Network. Remote Sens. 2023, 15, 4985.

15. E. Lo, "Variable-Stepsize Multilayer Neural Network for Subpixel Target Detection in Hyperspectral Imaging," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 18, pp. 1718-1733, 2025.

16. Kaartinen H, Hyyppa J, Yu X, et al. An international comparison of individual tree detection and extraction using airborne laser scanning[J]. Remote Sensing, 2012, 4(4): 950-974.

17. G. Tsagkatakis, M. Moghaddam and P. Tsakalides, "Multi-Temporal Convolutional Neural Networks for Satellite-Derived Soil Moisture Observation Enhancement," IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium, Waikoloa, HI, USA, 2020, pp. 4602-4605.

18. Barsi, J. A., Alhammoud, B., Czapla-Myers, J., Gascon, F., Haque, M. O., Kaewmanee, M., ... & Markham, B. L. (2018). Sentinel-2A MSI and Landsat-8 OLI radiometric cross comparison over desert sites. European Journal of Remote Sensing, 51(1), 822-837.

19. Ban, Y., Hu, H., & Rangel, I. M. (2010). Fusion of Quickbird MS and RADARSAT SAR data for urban land-cover mapping: Object-based and knowledge-based approach. International Journal of Remote Sensing, 31(6), 1391-1410.

20. Wang, J., Huang, B., Zhang, H. K., & Ma, P. (2019). Sentinel-2A image fusion using a machine learning approach. IEEE Transactions on Geoscience and Remote Sensing, 57(12), 9589-9601.

21. Chen, L., Letu, H., Fan, M., Shang, H., Tao, J., Wu, L., ... & Zhang, T. (2022). An introduction to the Chinese high-resolution Earth observation system: Gaofen-1~ 7 civilian satellites. Journal of Remote Sensing.

22. Green, R. O., Eastwood, M. L., Sarture, C. M., Chrien, T. G., Aronsson, M., Chippendale, B. J., ... & Williams, O. (1998). Imaging spectroscopy and the airborne visible/infrared imaging spectrometer (AVIRIS). Remote sensing of environment, 65(3), 227-248.

23. Lenhard, K., Baumgartner, A., & Schwarzmaier, T. (2014). Independent laboratory characterization of NEO HySpex imaging spectrometers VNIR-1600 and SWIR-320m-e. IEEE Transactions on Geoscience and Remote Sensing, 53(4), 18281841.

24. Гу Л., У Г., Попов Е.А., Макаров С.Б., Дун Г. Повышение точности обнаружения мелких объектов на изображениях с помощью контекстной информации // Радиотехника. 2024. Т. 88. No 3. С. 63-77.

25. Lingyun, G., Popov, E., & Ge, D. (2022, October). Spectral network combining fourier transformation and deep learning for remote sensing object detection. In 2022 International Conference on Electrical Engineering and Photonics (EExPolytech) (pp. 99-102). IEEE.

26. Girshick, R. (2015). Fast r-cnn. In Proceedings of the IEEE international conference on computer vision (pp. 1440-1448).

27. Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster r-cnn: Towards realtime object detection with region proposal networks. Advances in neural information processing systems, 28.

28. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788).

29. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y, & Berg, A. C. (2016). Ssd: Single shot multibox detector. In Computer Vision-ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11-14, 2016, Proceedings, Part I 14 (pp. 21-37). Springer International Publishing.

30. Li K, Cheng G, Bu S, et al. Rotation-insensitive and context-augmented object detection in remote sensing images[J/OL]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(4): 2337-2348. DOI: 10.1109/TGRS.2017.2778300.

31. Zhong Y, Han X, Zhang L. Multi-class geospatial object detection based on a position-sensitive balancing framework for high spatial resolution remote sensing imagery[J]. ISPRS journal of photogrammetry and remote sensing, 2018, 138: 281-294.

32. Tang T, Zhou S, Deng Z, et al. Vehicle detection in aerial images based on region convolutional neural networks and hard negative example mining[J]. Sensors, 2017, 17(2): 336.

33. Van Etten A. You only look twice: Rapid multi-scale object detection in satellite imagery[J]. arXiv preprint arXiv:1805.09512, 2018.

34. Yang X, Yan J, Feng Z, et al. R3det: Refined single-stage detector with feature refinement for rotating object[C]//Proceedings of the AAAI Conference on Artificial Intelligence: volume 35. 2021: 3163-3171.

35. Han J, Ding J, Li J, et al. Align deep features for oriented object detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021.

36. Bashir, S. M. A., & Wang, Y (2021). Small object detection in remote sensing images with residual feature aggregation-based super-resolution and object detector network. Remote Sensing, 13(9), 1854.

37. Li, J., Zhang, Z., Tian, Y, Xu, Y., Wen, Y., & Wang, S. (2021). Target-guided

feature super-resolution for vehicle detection in remote sensing images. IEEE geoscience and remote sensing letters, 19, 1-5.

38. Tu, Z., Ma, Y., Li, C., Tang, J., & Luo, B. (2020). Edge-guided non-local fully convolutional network for salient object detection. IEEE transactions on circuits and systems for video technology, 31(2), 582-593.

39. Guo, T., & Xu, X. (2021). Salient object detection from low contrast images based on local contrast enhancing and non-local feature learning. The Visual Computer, 37, 2069-2081.

40. Lin T.-Y., Dollar P., Girshick R., He K., Hariharan B., Belongie S. Feature pyramid networks for object detection // in Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. P. 2117-2125.

41. X. Yang, J. Yang, J. Yan, Y Zhang, T. Zhang, Z. Guo, X. Sun, and K. Fu, "Scrdet: Towards more robust detection for small, cluttered and rotated objects," in Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019, pp. 8232-8241.

42. He Y, Zhang X, Sun J. Channel pruning for accelerating very deep neural networks[C]// Proceedings of the IEEE international conference on computer vision. 2017: 1389-1397.

43. Romero A, Ballas N, Kahou S E, et al. Fitnets: Hints for thin deep nets[J]. arXiv preprint arXiv: 1412.6550, 2014.

44. Manning, J.; Langerman, D.; Ramesh, B.; Gretok, E.; Wilson, C.; George, A.; MacKinnon, J.; Crum, G. Machine-Learning Space Applications on Smallsat Platforms with Tensorflow; NASA Goddard Space Flight Center: Greenbelt, MD, USA, 2018.

45. Arechiga, A.P.; Michaels, A.J.; Black, J.T. Onboard image processing for small satellites. In Proceedings of the NAECON 2018-IEEE National Aerospace and Electronics Conference, Dayton, OH, USA, 11 July 2018; IEEE: Piscatway, NJ, USA, 2018; pp. 234-240.

46. Huq, R.; Islam, M.; Siddique, S. AI-OBC: Conceptual Design of a Deep Neural Network based Next Generation Onboard Computing Architecture for Satellite Systems. In Proceedings of the 1st China Microsatellite Symposium, Xi'an, China, 18-

20 November 2018.

47. Giuffrida, G.; Diana, L.; de Gioia, F.; Benelli, G.; Meoni, G.; Donati, M.; Fanucci, L. Cloudscout: A deep neural network for on-board cloud detection on hyperspectral images. Remote Sens. 2020, 12, 2205.

48. Howard A G, Zhu M, Chen B, et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications[J]. arXiv preprint arXiv: 1704.04861, 2017.

49. Sandler M, Howard A, Zhu M, et al. Mobilenetv2: Inverted residuals and linear bottlenecks [C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 4510-4520.

50. Howard A, Sandler M, Chu G, et al. Searching for mobilenetv3[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 1314-1324.

51. Zhang X, Zhou X, Lin M, et al. Shufflenet: An extremely efficient convolutional neural network for mobile devices[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 6848-6856.

52. Ma N, Zhang X, Zheng H T, et al. Shufflenet v2: Practical guidelines for efficient cnn architecture design[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 116-131.

53. Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition [J]. arXiv preprint arXiv: 1409.1556, 2014.

54. Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 1-9.

55. He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.

56. Li H, Kadav A, Durdanovic I, et al. Pruning filters for efficient convnets[J]. arXiv preprint arXiv: 1608.08710, 2016.

57. Hinton, G.; Vinyals, O.; Dean, J. Distilling the knowledge in a neural network. arXiv 2015, arXiv: 1503.02531.

58. Gou, J.; Yu, B.; Maybank, S.J.; Tao, D. Knowledge distillation: A survey. Int. J. Comput. Vis. 2021, 129, 1789-1819.

59. Kim, J.; Park, S.; Kwak, N. Paraphrasing complex network: Network compression via factor. transfer. In Proceedings of the Annual Conference on Neural Information Processing Systems 2018, NeurIPS 2018, Montréal, QC, Canada, 3-8 December 2018.

60. Mirzadeh, S.I.; Farajtabar, M.; Li, A.; Levine, N.; Matsukawa, A.; Ghasemzadeh, H. Improved knowledge distillation via teacher assistant. In Proceedings of the AAAI Conference on Artificial Intelligence, New York, NY, USA, 7-12 February 2020; Volume 34, pp. 5191-5198.

61. Lee, S.; Song, B.C. Graph-based knowledge distillation by multi-head attention network. arXiv 2019, arXiv:1907.02226.

62. Tung, F.; Mori, G. Similarity-preserving knowledge distillation. In Proceedings of the IEEE/CVF International Conference on Computer Vision, Seoul, Republic of Korea, 27 October-2 November 2019; pp. 1365-1374.

63. Peng, Z.; Li, Z.; Zhang, J.; Li, Y.; Qi, G.J.; Tang, J. Few-shot image recognition with knowledge transfer. In Proceedings of the IEEE/CVF International Conference on Computer Vision, Seoul, Republic of Korea, 27 October-2 November 2019; pp. 441-449.

64. Wang, J.; Gou, L.; Zhang, W.; Yang, H.; Shen, H.W. Deepvid: Deep visual interpretation and diagnosis for image classifiers via knowledge distillation. IEEE Trans. Vis. Comput. Graph. 2019, 25, 2168-2180.

65. Dou, Q.; Liu, Q.; Heng, P.A.; Glocker, B. Unpaired multi-modal segmentation via knowledge distillation. IEEE Trans. Med.Imaging 2020, 39, 2415-2425.

66. Hou, Y.; Ma, Z.; Liu, C.; Hui, T.W.; Loy, C.C. Inter-region affinity distillation for road marking segmentation. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, WA, USA, 14-19 June 2020; pp. 12486-12495.

67. Wang, X.; Hu, J.F.; Lai, J.H.; Zhang, J.; Zheng, W.S. Progressive teacher-student learning for early action prediction. In Proceedings of the IEEE/CVF Conference

on Computer Vision and Pattern Recognition, Long Beach, CA, USA, 16-20 June 2019; pp. 3556-3565.

68. Wu, M.C.; Chiu, C.T.; Wu, K.H. Multi-teacher knowledge distillation for compressed video action recognition on deep neural networks. In Proceedings of the ICASSP 2019-2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Brighton, UK, 12-17 May 2019; IEEE: Piscatway, NJ, USA, 2019; pp. 2202-2206.

69. Cun, X.; Pun, C.M. Defocus blur detection via depth distillation. In Proceedings of the European Conference on Computer Vision, Glasgow, UK, 23-28 August 2020; Springer: Berlin/Heidelberg, Germany, 2020; pp. 747-763.

70. Chawla, A.; Yin, H.; Molchanov, P.; Alvarez, J. Data-free knowledge distillation for object detection. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision, Nashville, TN, USA, 20-25 June 2021; pp. 32893298.

71. Zhao, H.; Sun, X.; Dong, J.; Chen, C.; Dong, Z. Highlight every step: Knowledge distillation via collaborative teaching. IEEE Trans. Cybern. 2020.

72. Kycko, M., Zagajewski, B., Kluczek, M., Tardà, A., Pineda, L., Palà, V., & Corbera, J. (2022). Sentinel-2 and AISA airborne hyperspectral images for mediterranean shrubland mapping in Catalonia. Remote Sensing, 14(21), 5531.

73. Rabideau, G., Tran, D., Chien, S., Cichy, B., Sherwood, R., Mandl, D., ... & Van Gaasbeck, J. (2006, July). Mission operations of earth observing-1 with onboard autonomy. In 2nd IEEE International Conference on Space Mission Challenges for Information Technology (SMC-IT'06) (pp. 7-pp). IEEE.

74. Doan, D., Zimmerman, R., Leung, L., Mason, J., Parsons, N., & Shahid, K. (2017). Commissioning the world's largest satellite constellation.

75. Giuffrida, G., Fanucci, L., Meoni, G., Batic, M., Buckley, L., Dunne, A., ... & Aschbacher, J. (2021). The O-Sat-1 mission: The first on-board deep neural network demonstrator for satellite earth observation. IEEE Transactions on Geoscience and Remote Sensing, 60, 1-14.

76. Lin, T. Y, Goyal, P., Girshick, R., He, K., & Dollar, P. (2017). Focal loss for

dense object detection. In Proceedings of the IEEE international conference on computer vision (pp. 2980-2988).

77. Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 580-587).

78. Cai, Z., & Vasconcelos, N. (2018). Cascade r-cnn: Delving into high quality object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 6154-6162).

79. Oksuz, K., Cam, B. C., Kalkan, S., & Akbas, E. (2020). Imbalance problems in object detection: A review. IEEE transactions on pattern analysis and machine intelligence, 43(10), 3388-3415.

80. Fu, C. Y., Liu, W., Ranga, A., Tyagi, A., & Berg, A. C. (2017). Dssd: Deconvolutional single shot detector. arXiv preprint arXiv:1701.06659.

81. Li, Z., Yang, L., & Zhou, F. (2017). FSSD: feature fusion single shot multibox detector. arXiv preprint arXiv:1712.00960.

82. Shen, Z., Liu, Z., Li, J., Jiang, Y G., Chen, Y, & Xue, X. (2017). Dsod: Learning deeply supervised object detectors from scratch. In Proceedings of the IEEE international conference on computer vision (pp. 1919-1927).

83. Ghiasi, G., Lin, T. Y, & Le, Q. V. (2018). Dropblock: A regularization method for convolutional networks. Advances in neural information processing systems, 31.

84. Zhu, R., Zhang, S., Wang, X., Wen, L., Shi, H., Bo, L., & Mei, T. (2019). ScratchDet: Training single-shot object detectors from scratch. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 2268-2277).

85. Redmon, J., & Farhadi, A. (2017). Y0L09000: better, faster, stronger. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 7263-7271).

86. Redmon, J., & Farhadi, A. (2018). Yolov3: An incremental improvement. arXiv preprint arXiv:1804.02767.

87. Bochkovskiy, A., Wang, C. Y, & Liao, H. Y M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.

88. Yun, S., Han, D., Oh, S. J., Chun, S., Choe, J., & Yoo, Y. (2019). Cutmix: Regularization strategy to train strong classifiers with localizable features. In Proceedings of the IEEE/CVF international conference on computer vision (pp. 60236032).

89. Misra, D. (2019). Mish: A self regularized non-monotonic activation function. arXiv preprint arXiv: 1908.08681.

90. Ghiasi, G., Lin, T. Y, & Le, Q. V. (2018). Dropblock: A regularization method for convolutional networks. Advances in neural information processing systems, 31.

91. He, K., Zhang, X., Ren, S., & Sun, J. (2015). Spatial pyramid pooling in deep convolutional networks for visual recognition. IEEE transactions on pattern analysis and machine intelligence, 37(9), 1904-1916.

92. Woo, S., Park, J., Lee, J. Y, & Kweon, I. S. (2018). Cbam: Convolutional block attention module. In Proceedings of the European conference on computer vision (ECCV) (pp. 3-19).

93. Liu, S., Qi, L., Qin, H., Shi, J., & Jia, J. (2018). Path aggregation network for instance segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 8759-8768).

94. Zheng, Z., Wang, P., Liu, W., Li, J., Ye, R., & Ren, D. (2020, April). Distance-IoU loss: Faster and better learning for bounding box regression. In Proceedings of the AAAI conference on artificial intelligence (Vol. 34, No. 07, pp. 12993-13000).

95. Jocher, G., Stoken, A., Borovec, J., Changyu, L., Hogan, A., Diaconu, L., ... & Rai, P. (2020). ultralytics/yolov5: v3. 1-bug fixes and performance improvements. Zenodo.

96. Heitz G, Koller D. Learning spatial context: Using stuff to find things[C]//European conference on computer vision. Springer, 2008: 30-43.

97. Tanner F, Colder B, Pullen C, et al. Overhead imagery research data set—an annotated data library & tools to aid in the development of computer vision algorithms[C]//2009 IEEE Applied Imagery Pattern Recognition Workshop (AIPR 2009). IEEE, 2009: 1-8.

98. Razakarivony S, Jurie F. Vehicle detection in aerial imagery: A small target

detection benchmark[J]. Journal of Visual Communication and Image Representation, 2016, 34: 187-203.

99. Liu K, Mattyus G. Fast multiclass vehicle detection on aerial images[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(9): 1938-1942.

100. Liu Z, Wang H, Weng L, et al. Ship rotated bounding box space for ship extraction from high-resolution optical satellite images with complex backgrounds[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(8): 1074-1078.

101. Cheng G, Han J, Zhou P, et al. Multi-class geospatial object detection and geographic image classification based on collection of part detectors[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 98: 119-132.

102. Zhu H, Chen X, Dai W, et al. Orientation robust object detection in aerial images using deep convolutional neural network[C]//2015 IEEE International Conference on Image Processing (ICIP). IEEE, 2015: 3735-3739.

103. Xia G S, Bai X, Ding J, et al. Dota: A large-scale dataset for object detection in aerial images [C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 3974-3983.

104. Li K, Wan G, Cheng G, et al. Object detection in optical remote sensing images: A survey and a new benchmark[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 159: 296-307.

105. Cheng G, Zhou P, Han J. Learning rotation-invariant convolutional neural networks for object detection in vhr optical remote sensing images [J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(12): 7405-7415.

106. Cheng G, Han J, Zhou P, et al. Learning rotation-invariant and fisher discriminative convolutional neural networks for object detection[J]. IEEE Transactions on Image Processing, 2018, 28(1): 265-278.

107. Long Y, Gong Y, Xiao Z, et al. Accurate object localization in remote sensing images based on convolutional neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(5): 2486-2498.

108. Rippel O., Snoek J., Adams R.P. Spectral representations for convolutional neural networks [J] // Advances in neural information processing systems 2015. P. 28.

109. Zhong Z., Shen T., Yang Y, et al. Joint sub-bands learning with clique structures for wavelet domain super-resolution [J] // Advances in neural information processing systems. 2018. P. 31.

110. Chi L., Tian G., Mu Y, et al. Fast non-local neural networks with spectral residual learning [C] // Proceedings of the 27th ACM International Conference on Multimedia. 2019. P. 2142-2151.

111. Xu Q., Zhang R., Zhang Y., Wang Y, Tian Q. A fourier-based framework for domain generalization // in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021. P. 14 383-14 392.

112. Yang A., Li M., Wu Z., et al. CDF-net: A convolutional neural network fusing frequency domain and spatial domain features [J]. // IET Computer Vision. 2023. V. 17. № 3. P. 319-329.

113. Chi L., Jiang B., Mu Y Fast fourier convolution // Advances in Neural Information Processing Systems. 2020. V. 33. P. 4479-4488.

114. Rao Y., Zhao W., Zhu Z., Lu J., Zhou J. Global filter networks for image classification // Advances in Neural Information Processing Systems. 2021. V. 34.

115. Suvorov R., Logacheva E., Mashikhin A., Remizova A., Ashukha A., Silvestrov A., Kong N., Goka H., Park K., Lempitsky V. Resolution-robust large mask inpainting with fourier convolutions // in Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2022. P. 2149-2159.

116. Katznelson Y. An introduction to harmonic analysis. Cambridge University Press. 2004.

117. Hu J., Shen L., Sun G. Squeeze-and-excitation networks // in Proceedings of the IEEE conference on computer vision and pattern recognition. 2018. P. 7132-7141.

118. Deng J, Dong W, Socher R, et al. Imagenet: A large-scale hierarchical image database[C]//2009 IEEE conference on computer vision and pattern recognition. 2009: 248-255.

119. K. He, G. Gkioxari, P. Dollar, and R. Girshick, "Mask r-cnn," in Proceedings of the IEEE international conference on computer vision, 2017, pp. 2961-2969.

120. G. Cheng, Y Si, H. Hong, X. Yao, and L. Guo, "Cross-scale feature fusion for

object detection in optical remote sensing images," IEEE Geoscience and Remote Sensing Letters, vol. 18, no. 3, pp. 431-435, 2020.

121. Han K., Wang Y, Tian Q., et al. Ghostnet: More features from cheap operations [C] // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020. P. 1580-1589.

122. Kang, Z.; Zhang, P.; Zhang, X.; Sun, J.; Zheng, N. Instance-conditional knowledge distillation for object detection. Adv. Neural Inf. Process. Syst. 2021, 34, 16468-16480.

123. Wang C Y, Bochkovskiy A, Liao H Y M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2023: 7464-7475.

124. Carion N, Massa F, Synnaeve G, et al. End-to-end object detection with transformers[C]//European conference on computer vision. Cham: Springer International Publishing, 2020: 213-229.

125. Yang Z, Li Z, Jiang X, et al. Focal and global knowledge distillation for detectors[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022: 4643-4652.

126. Yang Z., Li Z., Shao M. Masked Generative Distillation[C]//European Conference on Computer Vision. 2022: 53-69.

127. Cheng, G.; He, M.; Hong, H.; Yao, X.; Qian, X.; Guo, L. Guiding clean features for object detection in remote sensing images. IEEE Geosci. Remote Sens. Lett. 2021, 19, 801920.

128. Wang, T.; Yuan, L.; Zhang, X.; Feng, J. Distilling object detectors with finegrained feature imitation. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Long Beach, CA, USA, 16-20 June 2019; pp. 49334942.

129. Dai, X.; Jiang, Z.; Wu, Z.; Bao, Y.; Wang, Z.; Liu, S.; Zhou, E. General instance distillation for object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Nashville, TN, USA, 20 June 2021; pp. 7842-7851.

130. Обухова Н.А., Мотыко А.А. «Метод перцептуальной цветокоррекции» // Информационно-управляющие системы. 2023. № 3 (124). С. 26-38.

131. Обухова Н. А., Баранов П. С., Мотыко А. А., Чиркунова А. А. «Гиперспектральная система анализа и восстановления архивных документов» // Вопросы радиоэлектроники. Серия: Техника телевидения. 2023. № 2. С. 32-43.

132. Обухова Н. А., Ян Синь «Автоматический метод сегментации флуоресцентных изображений, полученных в ближнем инфракрасном диапазоне». // Известия высших учебных заведений России. Радиоэлектроника, Т. 25 №2 6,2022, С. 40-49.

133. Обухова Н. А., Зубов И. Г. «Метод автоматического определения трехмерной траектории транспортных средств на изображении» // Известия высших учебных заведений России. Радиоэлектроника. 2021. Т. 24. № 3. С. 49-59.

134. Обухова Н. А., Мотыко А. А., Поздеев А. А. «Исследование и разработка методов улучшения эндоскопических (медицинских) изображений» // Известия высших учебных заведений России. Радиоэлектроника. №2, 2019, стр. 22-30.

135. Обухова Н. А., Мотыко А. А., Поздеев А. А. «Цифровая обработка эндоскопических изображений для систем поддержки врачебных решений» // Известия высших учебных заведений России. Радиоэлектроника. №6, 2018, стр. 54-65.

Приложение А. Акт о внедрении

АКТ

внедрения результатов диссертации Гу Линюнь «Обработка изображений в

телевизионной системе селекции с использованием частотно-ориентированных нейронных сетей для повышения точности и снижения вычислительной сложности при обнаружении малоразмерных объектов» представленной на соискание ученой степени кандидата технических наук 'по специальности: 2.2.13 - Радиотехника, в том числе системы и устройства

телевидения.

Приведенные в диссертации Гу Линюнь результаты имеют научное и

практическое значение и в части применения обнаружения объектов

дистанционного зондирования использованы в разрабатываемых системах селекции, а именно:

1. Нейронная сеть, включающая пространственное преобразование Фурье.

2. Программно-аппаратная система передачи информации от сети-учителя, содержащей большое число имеющих различную природу параметров, к сети-ученику с меньшим числом параметров специализированных для каждого конкретного случая.

Применение предложенных результатов в совместном исследовательском проекте с МГТУ им. Н.Э. Баумана продемонстрировало существенный прогресс в производительности обнаружения объектов дистанционного зондирования. Отдельные теоретические и практические результаты исследовании Гу Линюнь используются так же в учебном процессе при изучении дисциплины «Основы искусственного интеллекта»

Заведующий кафедрой^жр^ МГТУ им Н.Э. Баур Ж Заслуженный деяте докт. техн. наук., п

В.А. Шахнов