Preview

Вестник Концерна ВКО «Алмаз – Антей»

Расширенный поиск

Классификация надводных объектов на изображениях видимого оптического диапазона

https://doi.org/10.38013/2542-0542-2020-1-87-95

Полный текст:

Аннотация

Рассмотрена задача классификации надводных объектов – судов и кораблей разных классов на изображениях видимого оптического диапазона с использованием сверточных нейронных сетей. Описана методика формирования базы данных изображений надводных объектов, создан специальный обучающий набор данных для классификации. Описана методика формирования и обучения сверточной нейронной сети. Исследована зависимость вероятностей правильного распознавания от числа и вариантов выбора конкретных классов надводных объектов. Приведены результаты распознавания для различных наборов классов.

Для цитирования:


Артемьев А.А., Казачков Е.А., Матюгин C.Н., Шаронов В.В. Классификация надводных объектов на изображениях видимого оптического диапазона. Вестник Концерна ВКО «Алмаз – Антей». 2020;(1):87-95. https://doi.org/10.38013/2542-0542-2020-1-87-95

For citation:


Artemyev A.A., Kazachkov E.A., Matyugin S.N., Sharonov V.V. Classification of surface water objects in visible spectrum images. Journal of «Almaz – Antey» Air and Space Defence Corporation. 2020;(1):87-95. https://doi.org/10.38013/2542-0542-2020-1-87-95

Введение

В работе исследуются алгоритмы классифика­ции надводных объектов (НО) - судов и кораб­лей разных классов на изображениях видимого оптического диапазона с использованием свер­точных нейронных сетей (СНС).

Традиционные подходы при разработке алгоритмов классификации сводятся к выбору формального описания объектов, построению базы данных (БД) с наиболее характерными описаниями (эталонными векторами признаков) для каждого класса и дальнейшим сопоставле­нием векторов признаков объектов с БД этало­ном. В случае НО в качестве векторов признаков в различных работах использовались силуэты судов [1], наборы характерных точек объектов, а в качестве изображений рассматривались оптические [2], инфракрасные [3] и радиолока­ционные [4] изображения. Необходимо отме­тить, что формирование БД эталонов (векторов признаков) является самой трудоемкой частью таких подходов и требует экспертных знаний от разработчиков системы распознавания.

Одним из наиболее активно развиваю­щихся подходов в области распознавания в по­следнее время является применение нейрон­ных сетей, в частности различных моделей СНС, например для распознавания наземных объектов на радиолокационных изображени­ях [5]. По сравнению с традиционными под­ходами для СНС не требуется экспертное построение формальных описаний объектов - используются непосредственно изображения объектов и для распознавания не нужна БД эталонных векторов признаков - знание о клас­сах находится непосредственно в параметрах обученной СНС. Кроме этого, СНС достаточ­но устойчивы к зашумлению обрабатываемых изображений. Для обучения СНС требуется значительный набор изображений объектов каждого класса.

В настоящее время есть некоторое коли­чество работ по распознаванию НО на спут­никовых радиолокационных изображениях с использованием СНС, например [4]. Для оптических изображений таких работ существен­но меньше, что связано в первую очередь с отсутствием качественного доступного на­бора изображений НО. Можно отметить работу [6], в которой рассматривается распо­знавание объектов из набора данных VAIS [7]. В этих данных присутствует ограниченный набор классов с изображениями низкого ка­чества в видимом и инфракрасном диапазоне. При этом не рассмотрены зависимости вероят­ностей правильного распознавания от выбора классов объектов. Поэтому исследование воз­можностей распознавания НО на оптических изображениях и оценки вероятностей правиль­ного распознавания в зависимости от типов и количества выбранных классов являются актуальными.

  1. Методика формирования обучающего набора данных

Как известно, одной из основных задач при­менения классификаторов, основанных на нейросетевых методах, является создание обуча­ющего набора данных достаточного объема, который может составлять десятки тысяч объектов, разбитых на классы.

В настоящее время альтернативой соз­данию обучающего набора данных является использование одного из общедоступных на­боров изображений, таких как VAIS [7], MSTAR [8] и др. Однако подобные наборы существуют не для всех задач, либо такие данные не под­ходят по условиям съемки, или их оказывается недостаточно для решения конкретной задачи.

В рамках данной работы был создан обу­чающий набор данных для классификации НО. В качестве данных использовались изображе­ния 5 классов судов и 5 классов кораблей, при­меры которых приведены на рисунке 1.

 

Рис. 1. Примеры надводных объектов

 

В задаче классификации алгоритм пред­сказывает классы (их метки), к которым при­надлежат НО. Соответственно, для обучения нейросетевого классификатора требуется на­бор размеченных данных. Качество алгоритма оценивается тем, насколько точно он может классифицировать новые (не участвовавшие в обучении) изображения НО.

Для обучения по имеющимся в откры­том доступе оптическим изображениям НО был сформирован общий набор данных (ОНД) для 10 классов объектов, представленных на рисунке 1, с соответствующими метка­ми. Набор содержит 7800 изображений граж­данских судов и кораблей (780 изображений на каждый класс). Имеющиеся изображения были разбиты на тренировочный (680 изобра­жений на класс) и проверочный (100 изобра­жений на класс) наборы. Каждое изображение представлено в градациях серого, тип изобра­жений JPEG. Изначально обработка проводи­лась на изображениях формата RGB, но в даль­нейшем пришлось отказаться от данного типа изображений из-за больших вычислительных затрат по сравнению с обработкой изображе­ний в градациях серого. Также для сокращения времени обучения нейронной сети все изоб­ражения в обучающем наборе данных были приведены к одному размеру 32*32 пиксе­ля. Выбор единого размера был обусловлен имеющимися изображениями, часть которых имела размеры менее 64 пикселей по одно­му из измерений. Эксперименты с размерами изображений показали, что точность класси­фикации при увеличении размеров до 64*64 и 128*128 пикселей возрастает незначительно при существенном увеличении вычислитель­ных ресурсов для обучения СНС.

Как известно, для достижения высоких результатов глубокие нейронные сети должны обучаться на больших объемах данных. Если исходный обучающий набор содержал ограни­ченное количество изображений, как в нашем случае, то для увеличения набора данных вы­полнялась операция аугментации. Аугмента­ция данных [9] - это методика создания допол­нительных обучающих данных из имеющегося набора, в процессе которой изображения под­вергаются различным преобразованиям: парал­лельному переносу по вертикали и горизонта­ли, масштабированию, повороту, отражению относительно горизонтальной и вертикальной осей, перестановке каналов изображения. При­менялись различные комбинации преобразова­ний, например поворот и случайное масшта­бирование, вариации величины насыщенности и значения всех пикселей.

Для построения нейросетевого класси­фикатора и проведения экспериментов по обу­чению СНС на основе ОНД были сформиро­ваны отдельные наборы данных (базы данных) для обучения, содержащие разное количество классов объектов (табл. 1). Отметим, что при пос­троении алгоритма распознавания классы кораб­лей «Эсминец» и «Фрегат» были объединены в один общий класс, так как данные НО имели структуры, трудно различимые между собой.

 

Таблица 1

Отдельные наборы данных для обучения

Наименование базы данных для обучения

Классы объектов, входящих в состав базы данных

БД-1

Авианосец, Десантный корабль, Эсминец и фрегат, Катер, Корвет, Контейнеровоз, Рыболовное судно, Пассажирское судно, Танкер, Яхта

БД-2

Авианосец, Эсминец и фрегат, Корвет, Контейнеровоз, Рыболовное судно, Пассажирское судно, Танкер, Яхта

БД-3

Авианосец, Десантный корабль, Эсминец и фрегат, Катер, Корвет

БД-4

Контейнеровоз, Рыболовное судно, Пассажирское судно, Танкер, Яхта

БД-5

Авианосец, Эсминец и фрегат

  1. Алгоритм классификации

В качестве инструментов классификации НО были применены методы и алгоритмы СНС. Методика применения СНС для распознавания объектов на изображениях описана в предыду­щих работах авторов [10, 11].

Впервые подобная структура искус­ственной нейронной сети была предложена французским ученым в области информатики Яном Лекуном в 1988 г. [12] и была специаль­но нацелена на распознавание изображений.

Название архитектура сети получила из- за наличия сверточного слоя (операции сверт­ки). Работу СНС можно интерпретировать как переход от конкретных особенностей изоб­ражения к более абстрактным деталям и далее к еще более абстрактным вплоть до выделения понятий высокого уровня. При обучении СНС самонастраивается и вырабатывает необходи­мую иерархию признаков, фильтруя маловаж­ные детали и выделяя существенное.

Итоговая СНС представляет собой пос­ледовательность из 18 блоков. Каждый блок содержит сверточный слой и слой субдискре­тизации. Сверточный слой состоит из набора карт (карты признаков), у каждой карты есть сканирующее ядро или фильтр (ядро опера­ции свертки). Количество карт определяется подбором в процессе обучения модели. Ядро представляет собой фильтр или окно с фикси­рованным размером, которое скользит по всей области предыдущей карты и находит опре­деленные признаки объектов. Размер ядра обычно берут в пределах от 3*3 до 7*7 пик­селей. Размер ядра в основном выбирает­ся экспериментальным путем. Если размер слишком мал, то существует вероятность по­тери каких-либо важных признаков, а если слишком большой, то увеличивается количе­ство связей между нейронами, что увеличит вычислительную сложность и время обра­ботки. Также размер ядра выбирается таким образом, чтобы размер карт сверточного слоя был четным, это позволяет не терять инфор­мацию при уменьшении размерности в слое субдискретизации. Значения элементов ядра свертки подбираются автоматически в про­цессе обучения нейронной сети. Слой субдис­кретизации, как и сверточный, имеет карты. Целью слоя является уменьшение размернос­ти карт признаков предыдущего слоя. Если на предыдущей операции свертки уже были выявлены некоторые признаки, то для даль­нейшей обработки настолько подробное изоб­ражение уже не нужно, и оно уплотняется до менее подробного изображения. К тому же фильтрация уже ненужных деталей помогает нейронной сети не переобучаться. Например, если карта слоя имеет ядро размером 2*2, то это позволит уменьшить предыдущие кар­ты признаков сверточного слоя в 2 раза. Вся карта признаков в этом случае разделяется на ячейки размером 2*2, из которых выби­раются максимальные по значению. Данная операция называется MaxPooling - выбор максимального.

Для повышения производительности и стабилизации работы нейронной сети в ис­пользуемой модели применяется метод пакет­ной нормализации (англ. batch-normalization). Суть данного метода заключается в том, что не­которым слоям нейронной сети на вход пода­ются данные, предварительно обработанные и имеющие нулевое математическое ожида­ние и единичную дисперсию. Впервые данный метод был представлен в [13].

Известно, что глубокие сети извлекают низко-, средне- и высокоуровневые признаки сквозным многослойным способом, а увели­чение количества слоев или блоков, состоя­щих из нескольких слоев, как в нашем случае, может обогатить уровни признаков. Однако с увеличением глубины сети обучение стано­вится нестабильным, а достигаемая точность начинает уменьшаться (деградировать).

Чтобы преодолеть эту проблему, была использована архитектура связей между слоями, применяемая в сети ResNet [14]. Большинство нейронных сетей для обучения используют метод обратного распростране­ния ошибки [15, 16], основанный на прави­ле коррекции по ошибке, который был раз­работан как метод обучения многослойного персептрона. Основная идея метода состоит в распространении сигналов ошибки после ее вычисления на выходе сети в направле­нии, обратном прямому распространению сигналов во время обычного вычислитель­ного процесса, от выходов сети к ее входам. При обратном проходе веса настраиваются с целью минимизации ошибки.

При проходе обучающего приме­ра и получении выхода с целью уменьше­ния функции ошибки начинается обратный проход сети методом градиентного спуска. При увеличении глубины нейронной сети одна из самых частых проблем - это за­тухание градиента при обратном проходе и, как следствие, ухудшение работы нейрон­ной сети. В частности, затухание градиента и потеря информации чаще всего случаются из-за использования слоя ReLu с функцией активации f = max(x,0). Во многих случаях при отсеивании ненужных признаков как раз и получается значение 0, что и способствует затуханию градиента.

В основе архитектуры ResNet [14] лежит так называемый остаточный блок (residual block), схема которого изображена на рисун­ке 2. Отсюда и название архитектуры Residual Network (остаточная нейронная сеть).

 

Рис. 2. Остаточный блок архитектуры ResNet

 

Работа данного блока заключается в следующем: пусть целевая функция бу­дет в виде H(x) = F(x) + x. При достигну­том пределе качества на предыдущем слое, для того чтобы не происходило затухание градиента, хотелось бы, чтобы функция F(x) возвращала тождественное преобразование, однако этого не происходит, так как исполь­зуется слой ReLU и часто она возвращает 0. В данной сети предлагают использовать так называемые быстрые соединения, то есть явно добавляется тождественное отображе­ние. В итоге при обратном проходе в методе обратного распространения ошибки полу­чаем: dF(x)/dx+1. Таким образом, затухания градиента не произойдет, так как всегда будет выполнен обратный проход.

Использование архитектуры ResNet позволило обучать нейросеть с глубиной в 18 слоев (против трехслойной сети, ис­пользованной на начальных стадиях рабо­ты) с достижением приемлемых результатов распознавания одновременно для 10 классов при небольшом количестве изображений в обучающем наборе.

Для принятия окончательного решения о классе анализируемого изображения исполь­зовался слой SoftMax с количеством выходов, соответствующим числу рассматриваемых классов. За результирующий класс принимал­ся тот, который соответствовал выходу СНС с максимальным откликом.

Одним из возможных способов учесть возможные неизвестные классы и пустые фо­новые изображения является введение порога отклика на выходном слое СНС и трактов­ка случая «максимальный отклик < порог» как «не распознано». Корректное рассмотре­ние таких случаев требует дальнейшего расши­рения набора данных и выходит за рамки дан­ной статьи.

  1. Результаты

Для каждой из баз данных в таблице 1 про­водилось отдельное обучение. В каждом слу­чае использовалась одна и та же архитектура сети - ResNet с 18 слоями. Также в каждом слу­чае использовалось 200 эпох обучения и ран­няя остановка - прекращение обучения, если точность распознавания не улучшалась на про­тяжении нескольких эпох. Во всех случаях обучение завершалось с ранней остановкой, таким образом, количество эпох для обуче­ния было достаточным. Количество обучаю­щих образцов, обрабатываемых одновременно за одну итерацию алгоритма обучения (batch size), составляло 20. Далее приведены достиг­нутые вероятности правильного распознавания для всех рассмотренных случаев. Результаты приведены в таблицах 2-7.

3.1. Результаты обучения с использованием БД-1 - классификация по 10 классам НО (табл. 2).

 

Таблица 2

Результаты обучения с использованием БД-1 - классификация по 10 классам НО

10 классов

Класс

Авианосец

Десантный корабль

Эсминец, фрегат

Катер

Корвет

Контейнеровоз

Рыболовное судно

Пассажирское судно

Танкер

Яхта

Объекты

Авианосцы

62

7

11

7

0

2

0

3

2

6

Десантные корабли

26

37

21

4

4

0

0

4

4

0

Эсминцы и фрегаты

7

5

61

13

9

0

0

0

4

1

Катера

3

17

10

51

4

2

0

6

0

7

Корветы

0

0

0

0

100

0

0

0

0

0

Контейнеровозы

1

3

0

2

0

73

2

0

15

4

Рыболовные суда

2

0

0

1

0

6

74

6

6

5

Пассажирские суда

5

4

11

3

1

5

0

57

5

9

Танкеры

1

1

0

2

0

4

2

4

82

4

Яхты

1

0

3

1

0

2

0

7

2

84

Правильно распознанных изображений 681 из 1000 (ВПР = 0,681)

3.2. Результаты обучения с использованием БД-2 - классификация по 8 классам НО (табл. 3).

 

Таблица 3

Результаты обучения с использованием БД-2 - классификация по 8 классам НО

8 классов

Класс

Авианосец

Эсминец, фрегат

Корвет

Контейнеровоз

Рыболовное судно

Пассажирское судно

Танкер

Яхта

Объекты

Авианосцы

85

2

2

1

0

2

0

8

Эсминцы и фрегаты

4

82

4

0

0

1

0

9

Корветы

0

14

81

0

0

0

0

5

Контейнеровозы

1

0

0

77

1

4

13

4

Рыболовные суда

1

4

0

6

54

3

18

14

Пассажирские суда

7

10

0

3

1

56

1

22

Танкеры

1

2

0

12

1

3

73

8

Яхты

3

2

0

2

3

5

1

84

Правильно распознанных изображений 592 из 800 (ВПР = 0,740)

3.3. Результаты обучения с использованием БД-3 - классификация по 5 классам кораблей (табл. 4).

 

Таблица 4

Результаты обучения с использованием БД-3 - классификация по 5 классам кораблей

5 классов военных кораблей

Класс

Авианосец

Десантный

корабль

Эсминец,

фрегат

Катер

Корвет

Объекты

Авианосцы

58

5

22

9

6

Десантные корабли

10

33

39

4

14

Эсминцы и фрегаты

3

3

84

8

2

Катера

4

7

31

56

2

Корветы

0

0

2

0

98

Правильно распознанных изображений 329 из 500 (ВПР = 0,658)

3.4. Результаты обучения с использованием БД-4 - классификация по 5 классам надвод­ных судов (табл. 5).

 

Таблица 5

Результаты обучения с использованием БД-4 - классификация по 5 классам надводных судов

5 классов гражданских судов

Класс

Контейнеровоз

Рыболовное судно

Пассажирское судно

Танкер

Яхта

Объекты

Контейнеровозы

66

5

5

19

5

Рыболовные суда

5

76

6

7

6

Пассажирские суда

4

1

88

1

6

Танкеры

5

2

9

80

4

Яхты

0

4

14

2

80

Правильно распознанных изображений 390 из 500 (ВПР = 0,780)

3.5. Результаты обучения с использованием БД-5 - классификация по 2 классам кораблей (табл. 6).

 

Таблица 6

Результаты обучения с использованием БД-5 - классификация по 2 классам кораблей

2 класса кораблей

Класс

Авианосец

Эсминец, фрегат

Объекты

Авианосцы

97

3

Эсминцы и фрегаты

7

93

Правильно распознанных изображений 190 из 200 (ВПР = 0,950)

В таблице 7 приведены средние вероятности правильного распознавания в зависимости от числа классов НО.

 

Таблица 7

Средние вероятности правильного распознавания в зависимости от числа классов НО

 

БД-1

БД-2

БД-3

БД-4

БД-5

Число классов

10

8

5

5

2

Средняя вероятность правильного распознавания

0,68

0,74

0,66

0,78

0,95

При уменьшении числа классов ВПР, как и следовало ожидать, возрастала. Умень­шение вероятности правильного распозна­вания в случае БД-3 по сравнению с БД-4 (при одинаковом числе классов), по-видимо­му, объясняется наличием классов со схожими силуэтами.

Увеличение ВПР возможно при исполь­зовании дополнительных признаков и ансам­блей СНС. Так, в [6] демонстрируется повы­шение ВПР в среднем на 13 % по сравнению с отдельной СНС для 6 классов гражданских судов. Использование этого подхода для всех классов, рассмотренных в статье, является пер­спективным направлением для дальнейших исследований.

Заключение

В работе исследованы методические аспек­ты распознавания надводных объектов (НО) по их оптическим изображениям при большом числе классов различных НО. Распознавание проводилось с использованием сверточных нейронных сетей. Используемая сверточная нейронная сеть позволила решать задачу клас­сификации без промежуточного формирования признаков НО, непосредственно по оптичес­ким изображениям.

Исследована зависимость вероятностей правильного распознавания от числа классов и набора распознаваемых НО в классе. Для это­го была разработана методика формирования базы данных изображений объектов, создан специальный обучающий набор дан­ных (база оптических изображений объектов) для классификации НО в оптическом диапазо­не. При формировании базы данных использо­вались изображения 10 классов НО и кораблей различных типов.

Получено, что средняя вероятность правильного распознавания составляла Р = 0,95 для 2-х классов («авианосцы» и «эс­минцы, фрегаты») и убывала до Р = 0,68 для 10 классов НО.

Результаты, полученные в ходе иссле­дования, показали возможность применения алгоритмов поэтапного распознавания НО. При этом вначале распознавание выполняется для объединенного класса, включающего схо­жие объекты, с целью отделения этого класса от остальных классов НО. Далее, при необхо­димости, проводится распознавание классов (типов) НО, входящих в объединенный класс.

Детальное рассмотрение методиче­ских аспектов повышения ВПР, в частности при применении ансамблей СНС, и введение класса «не распознано» будет проведено в последующих работах.

Список литературы

1. Gouaillier V., Gagnon L. Ship silhouette recognition using principal components analysis // Applications of Digital Image Processing XX. 1997. Vol. 3164. P. 59–70.

2. Feineigle P. A., Morris D. D., Snyder F. D. Ship recognition using optical imagery for harbor surveillance // Proceedings of Association for Unmanned Vehicle Systems International (AUVSI). 2007. P. 1–17.

3. Li H., Wang X. Automatic recognition of ship types from infrared images using support vector machines // International Conference on Computer Science and Software Engineering. 2008. Vol. 6. P. 483–486.

4. Rainey K., Reeder J. D., Corelli A. G. Convolution neural networks for ship type recognition // Proceedings of the SPIE Defense + Security. Vol. 9844: “Automatic Target Recognition XXVI”. 2016. 984409. DOI: 10.1117/12.2229366

5. Казачков Е. А., Матюгин С. Н., Попов И. В., Шаронов В. В. Обнаружение и классификация малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой // Вестник концерна ВКО «Алмаз – Антей». 2018. № 1. С. 93–99.

6. Shi Q., Li W., Tao R., Sun X., Gao L. Ship Classification Based on Multifeature Ensemble with Convolutional Neural Network // Remote Sensing. 2019. No. 11. P. 419.

7. VAIS: A Dataset for Recognizing Maritime Imagery in the Visible and Infrared Spectrums. URL: http://vcipl-okstate.org/pbvs/bench/ Data/12/VAIS.zip

8. Moving and Stationary Target Acquisition and Recognition (MSTAR) Public Release Data. URL: https://www.sdms.afrl.af.mil/datasets/mstar/ (дата обращения: 24.03.2018).

9. Хайкин C. Нейронные сети: полный курс / Пер. с англ. д-ра техн. наук Н. Н. Кусеуль, канд. техн. наук А. Ю. Шелестова. 2-e изд. М.: Издательский дом «Вильямс», 2006. 1104 с.

10. Матюгин С. Н., Чернигин А. А. Исследование применимости нейронных сетей для классификации объектов на изображениях // Нейрокомпьютеры: разработка, применение. 2007. № 11. С. 38–42.

11. Казачков Е. А., Матюгин С. Н., Попов И. В., Шаронов В. В. Обработка глубокими сверточными нейронными сетями радиолокационных изображений из баз данных CARABAS-II и MSTAR // Радиолокация. Результаты теоретических и экспериментальных исследований: монография: в 2-х кн. Кн. 2 / Под ред. А. Б. Бляхмана. М.: Радиотехника, 2019. С. 72–86.

12. LeCun Y. LeNet-5, convolutional neural networks. 2013.

13. Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. 2016.

14. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. P. 770–778.

15. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / Пер. с англ. А. А. Слинкина. 2-е изд., испр. М.: ДМК Пресс, 2018. 652 с.

16. Николенко C., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2018. 480 с.


Об авторах

А. А. Артемьев
Акционерное общество «Федеральный научно-производственный центр “Нижегородский научноисследовательский институт радиотехники”»

Артемьев Анатолий Александрович – инженер 1-й категории 

Область научных интересов: исследование и разработка алгоритмов, цифровая обработка радиолокационных сигналов и оптических изображений, распознавание образов, нейросети.



Е. А. Казачков
Акционерное общество «Федеральный научно-производственный центр “Нижегородский научноисследовательский институт радиотехники”»

Казачков Егор Андреевич – инженер 

Область научных интересов: исследование и разработка алгоритмов, цифровая обработка радиолокационных сигналов и оптических изображений, статистический анализ информации, распознавание образов, нейросети.



C. Н. Матюгин
Акционерное общество «Федеральный научно-производственный центр “Нижегородский научноисследовательский институт радиотехники”»

Матюгин Сергей Никандрович – канд. физ.-мат. наук, начальник сектора 

Область научных интересов: распространение радиосигналов, цифровая обработка радиолокационных сигналов и оптических изображений, распознавание образов.



В. В. Шаронов
Акционерное общество «Федеральный научно-производственный центр “Нижегородский научноисследовательский институт радиотехники”»

Шаронов Владимир Витальевич – заместитель начальника отдела, заместитель главного конструктора по направлению 

Область научных интересов: радиолокация, цифровая обработка радиолокационных сигналов, распознавание образов.



Для цитирования:


Артемьев А.А., Казачков Е.А., Матюгин C.Н., Шаронов В.В. Классификация надводных объектов на изображениях видимого оптического диапазона. Вестник Концерна ВКО «Алмаз – Антей». 2020;(1):87-95. https://doi.org/10.38013/2542-0542-2020-1-87-95

For citation:


Artemyev A.A., Kazachkov E.A., Matyugin S.N., Sharonov V.V. Classification of surface water objects in visible spectrum images. Journal of «Almaz – Antey» Air and Space Defence Corporation. 2020;(1):87-95. https://doi.org/10.38013/2542-0542-2020-1-87-95

Просмотров: 89


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2542-0542 (Print)