Алгоритм предварительной подготовки оптических обучающих данных, повышающий эффективность их использования в задачах нейросетевой обработки радиолокационных изображений

Аннотация

Введение: несмотря на продемонстрированную в последние годы в ряде исследований возможность применения оптических изображений для обучения нейронных сетей, предназначенных для обработки данных радиолокаторов с синтезированной апертурой, существующие подходы все еще характеризуются недостаточно высокой эффективностью. Это связано с различиями в физической природе формирования изображений и, как следствие, с существенными отличиями классификационных признаков объектов, выделяемых нейронной сетью в процессе обучения. Цель: разработать алгоритм специализированной предварительной обработки оптических изображений для использования в трансферном междоменном обучении нейросетей, обрабатывающих радиолокационные изображения, а также оценить эффективность такой обработки по стандартным метрикам нейросетевого детектора. Результаты: разработан алгоритм специализированной предварительной обработки оптических снимков, включающий преобразование в полутоновое изображение, низкочастотную гауссовскую фильтрацию, выделение границ на основе лапласиана и последующее сглаживание для формирования псевдорадиолокационного представления. В экспериментах детектор YOLO11x обучался на предобработанных оптических изображениях, валидация проводилась на оптических изображениях, а тестирование — на реальных радиолокационных изображениях морских судов. По сравнению с обучением на необработанных оптических изображениях лучшая конфигурация обработки повысила Precision с 0,675 до 0,813, Recall с 0,464 до 0,517, mAP50 с 0,518 до 0,613 и mAP50-95 с 0,202 до 0,342. Полученные результаты показывают, что подавление яркостно-цветовой информации, характерной для оптического диапазона, и выделение признаков, связанных с формой и границами объектов, повышают эффективность переноса между оптическим и радиолокационным доменами в рассмотренных условиях эксперимента. Практическая значимость: результаты работы позволяют использовать широкодоступные размеченные оптические изображения для обучения нейросетей, решающих задачи классификации, сегментации или детектирования объектов на радиолокационных изображениях.