Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2021 - zeszyt 11

Porównanie skuteczności rozpoznawania obiektów morskich na podstawie obrazów FLIR za pomocą klasyfikatorów typu sieć neuronowa i PCA

10.15199/48.2021.11.03

nr katalogowy: 134115
10.15199/48.2021.11.03

Streszczenie

W pracy przedstawiono wyniki badań skuteczności metod rozpoznawania obiektów morskich na podstawie obrazów FLIR za pomocą metod opartych na różnych wariantach transformaty PCA oraz konwolucyjnej sieci neuronowej. Jako bazę wzorów wykorzystano zdjęcia dziewięciu typów obiektów zarejestrowanych na Morzu Bałtyckim. Obie metody potwierdziły swoją skuteczność, przy czym sieci neuronowe wykazały wyższą skuteczność na poziomie 96%, natomiast PCA - 80% - 87%..

Abstract

The paper presents results of the effectiveness research on the of maritime object recognition methods from FLIR images using methods based on different variants of the PCA classifier and a convolutional neural network classifier. Images of nine types of objects recorded in the Baltic Sea have been used as a pattern base. Both methods confirmed their effectiveness, with neural networks showing 96% effectiveness, while PCA 80% - 87%. (Comparison of maritime objects recognition efficiency upon FLIR images using neural network and PCA classifiers)

Słowa kluczowe

Keywords

Bibliografia

[1] Park Y., Sklansky J., Automated Design of Linear Tree Classifiers, Pattern Recognition, Vol. 23, No. 12, 1990, 1393- 1412
[2] Valin P., Methods for the Fusion of Multiple FLIR Classifiers,
[w] Proceedings of the Workshop on Signal Processing, Communication, Chaos and Systems: a Tribute to Rabinder N. Madan, June 20, 2002, Newport, RI, 2002, 117-122
[3] Valin P., Bossé É., Jouan A., Airborne application of information fusion algorithms to classification, Defence R&D Canada - Valcartier, Technical Report DRDC Valcartier, TR 2004-282, May 2006
[4] Valin P., Reasoning Frameworks,
[w] A.K. Hyde, E. Shahbazian, E. Waltz (eds) Multisensor Fusion. NATO Science Series (Series II: Mathematics, Physics and Chemistry), vol 70, pp. 222-245. Springer, Dordrecht, 2002, doi.org/10.1007/978-94-010-0556-2_9.
[5] Schmidhuber J., Deep learning in neural networks: An overview, Neural Networks, Elsevier, No. 61, 2015, 85–117
[6] ImageNet LSVR Challenge, URL https://imagenet. org/challenges/LSVRC/2017/index.php dostęp 19.06.2021
[7] Osowski S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2020
[8] Rutkowski L., Metody i techniki sztucznej inteligencji, Wydawnictwo Naukowe PWN, Warszawa, 2006
[9] Żurada J., Barski M., W. Jędruch, Sztuczne sieci neuronowe. Podstawy teorii i zastosowania, Wydawnictwo Naukowe PWN, Warszawa, 1996
[10] Gouaillieri V., Gagnon L., Ship Silhouette Recognition Using Principal Components Analysis, SPIE Proc. #3164, conference "Applications of Digital Image Processing XX", San Diego, 1997
[11] Osowski S., Metody i narzędzia eksploracji danych, Wydawnictwo BTC, Legionowo 2013
[12] Kwiatkowski W., Metody automatycznego rozpoznawania wzorców, Bel Studio, Warszawa,2007
[13] Chollet F., Deep Learning. Praca z językiem Pythoni biblioteką Keras.Helion, Gliwice 2019.
[14] Bonnacorso G., Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji. Helion,2019
[15] Deep Learning in MATLAB, URL https://www.mathworks.com/help/deeplearning/ug/deeplearning- in-matlab.html#responsive_offcanvas dostęp 19.06.2021
[16] Pietkiewicz T., Sikorska-Łukasiewicz K., Comparison of two classifiers based on neural networks and the DTW method of comparing time series to recognize maritime objects upon FLIR images. Proc. SPIE 11055, XII Conference on Reconnaissance and Electronic Warfare Systems, 110550V (27 March 2019); doi: 10.1117/12.2524918
[17] Matuszewski J., Pietrow D., Recognition of electromagnetic sources with the use of deep neural networks, XII Conference on Reconnaissance and Electronic Warfare Systems, 2019 in Proceedings of SPIE - The International Society for Optical Engineering, Volume 11055, Article Number: 110550D, DOI: 10.1117/12.2524536
[18] Matuszewski J., The methods of class pattern forming in order to emitters recognition
[Metody tworzenia wzorców klasy dla celów rozpoznawania źródeł emisji], Przeglad Elektrotechniczny, 84(5), 2008, 104-108

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2021-11 , nr katalogowy 134115 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2021-11 licencja: Osobista Produkt cyfrowy Nowość	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2021-11

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma