Адаптивна модель розпізнавання техніки з механізмами уваги на базі YOLOv11

Анотація

Актуальність дослідження зумовлена необхідністю підвищення ефективності систем комп’ютерного зору в умовах сучасної війни, де стрімкий розвиток безпілотних літальних апаратів і засобів розвідки потребує надійних інструментів для автоматизованого виявлення військової техніки в реальному часі. Існуючі детектори, попри високу швидкодію, демонструють зниження точності в разі роботи з малорозмірними, замаскованими об’єктами або в умовах складної фонової обстановки через втрату просторової інформації під час згорткових операцій. У зв’язку з цим удосконалення моделі архітектури нейронних мереж через інтеграцію механізмів уваги та оптимізацію обчислювальних процесів набуває особливої значущості. Об’єктом дослідження є процес автоматизованого виявлення та локалізації об’єктів військового призначення у відеопотоці оптичного діапазону. Предметом дослідження є методи структурної модифікації архітектури згорткової нейронної мережі YOLO з використанням механізмів координатної уваги та розділених детекторних модулів. Результати. У роботі запропоновано та реалізовано модифіковану модель архітектури нейромережі, головною особливістю якої є точкова інтеграція полегшеного модуля координатної уваги (Lite CA) перед шаром пірамідальної агрегації ознак, що дало змогу здійснити декомпозицію процесу просторового кодування, зберігши точну позиційну інформацію, яку зазвичай втрачають за стандартного глобального усереднення. Впровадження в модель складової «детекторна частина» забезпечило незалежну обробку задач класифікації та регресії координат. Експериментально підтверджено, що адаптивна модель досягає показника середньої точності mAP@0.5 на рівні 0.651, що на 8 % перевищує базовий рівень, і демонструє суттєве зростання повноти виявлення. Висновки. Запропонований підхід забезпечує ефективний баланс між точністю локалізації та обчислювальною складністю, гарантуючи високу стійкість детектора щодо візуальних перешкод та ефектів камуфляжу. Розроблена модель рекомендована для впровадження в автономні системи ситуаційної обізнаності та цілевказання, допомагаючи мінімізувати помилки пропуску цілі в бойових умовах.