Информационно-управляющие системы

Метод сжатия глубоких нейронных сетей, основанный на геометрически контролируемом прореживании

Татьяна Михайловна Татарникова — 2026-07-02

Введение: высокие вычислительные ресурсы, энергозатраты и время для решения задач с применением технологий глубокого обучения обусловили поиск решений сжатия моделей нейронных сетей без существенной потери качества результата. Цель: разработать метод сжатия глубоких нейронных сетей – сокращения вычислительной сложности и числа параметров сверточных нейронных сетей без существенной потери точности решения задачи классификации. Результаты: разработан новый метод геометрически контролируемого прореживания модели нейронной сети, основанный на жадном отборе кандидатов структурного прореживания с контролем изменения геометрии представлений. Предложена метрика контролирования сохранения геометрии представлений в виде матрицы межклассовых сходств, вычисляемой по центроидам классов в пространстве признаков. Введен параметр допустимого бюджета деформации геометрии представлений и предложен подход к его выбору на основе оценки шумового порога геометрической метрики. Результаты эксперимента показали, что предложенный метод сжатия моделей нейронных сетей обеспечивает сохранение точности классификации после дообучения, сопоставимой с базовой моделью без прореживания при сокращении вычислительной сложности на ~8 % и числа параметров на ~12 % на примере архитектуры ResNet-50 и набора данных CIFAR-100. Дополнительно показана переносимость разработанного метода на архитектуры глубоких нейронных сетей ResNet-18 и MobileNetV2. Практическая значимость: разработанный метод может найти применение при решении задачи классификации на мобильных и встраиваемых устройствах в реальном времени.

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

Виталий Александрович Павлов — 2026-07-02

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.

Проектирование адаптивной архитектуры сверточной нейронной сети с использованием глубинных сепарабельных сверток для работы в реальном времени на встраиваемых устройствах

Александр Владимирович Сацюк — 2026-07-02

Введение: развертывание современных систем компьютерного зрения на встраиваемых устройствах (например, Raspberry Pi 5) сталкивается с проблемой достижения реального времени (целевой порог 20 FPS) при анализе потока с MIPI-камеры из-за жестких ограничений ресурсов. Базовые однопроходные детекторы, такие как YOLOv8n, обладают избыточной вычислительной сложностью для таких условий. Цель: разработать адаптированную, легковесную архитектуру сверточной нейронной сети путем модификации YOLOv8n, сфокусировав вычислительные ресурсы на объектах среднего и крупного масштаба. Результаты: основное внимание уделено радикальному снижению FLOPs и параметров через замену стандартных сверток на глубинные сепарабельные свертки и исключение избыточных уровней детекции (сокращение выходных голов). Исследование проводилось на платформе Raspberry Pi 5 с входным разрешением 1280×720. Архитектурная реконфигурация привела к созданию модели OptiYOLO с минимальными показателями: 1,98 млн параметров и 4,1 GFLOPs. После квантования до INT8 достигнута частота обработки 28,7 FPS, что значительно превосходит требование реального времени. Общая точность составила 73,4 % (mAP0.5), что признано приемлемым компромиссом. Точность для критических классов («автомобиль» – 86,1 %, «человек» – 82,5 %) подтвердила успешное перераспределение ресурсов на более крупные объекты. Практическая значимость: разработанная OptiYOLO предоставляет сбалансированное решение для автономных, энергоэффективных систем видеонаблюдения, где приоритетом является скорость обработки, а не детекция мелких объектов.

Метод обучения моделей компьютерного зрения на основе кросс-модальной дистилляции знаний с применением больших визуальных моделей

Алексей Васильевич Кучков — 2026-07-02

Введение: имеющиеся методы обучения мультимодальных моделей компьютерного зрения в большинстве случаев представляют собой отдельные ветви выделения распознавания признаков с поздним смешением результатов. Цель: разработать метод создания мультимодальных моделей компьютерного зрения с использованием единого представления мультимодальных данных для упрощения процессов смешения данных и дистилляции знаний. Методы: сериализация разреженных и плотных типов данных; кросс-модальная дистилляция знаний для архитектур компьютерного зрения; применение больших визуальных моделей для дистилляции знаний в сериализованном формате. Результаты: разработан метод обучения моделей компьютерного зрения на основе кривых Пеано с использованием дистилляции знаний из больших визуальных моделей. Метод позволяет производить смешение данных различных размерностей с помощью кросс-модального внимания в реальном времени посредством применения одномерных кривых Пеано (кривых Гильберта и Мортона) для сериализации многомерных данных. Предложенный метод показал задержку 50 мс против 40 мс в одномодальном режиме (Point Transformer v3), что свидетельствует о низких накладных расходах при кросс-модальной дистилляции на сериализованных картах признаков. Метод протестирован в режиме предобучения на датасете nuScenes с обращением к большой визуальной модели DINOv3. В режиме дистилляции использование 25 % от общего набора данных обеспечило 79,2 mIoU по сравнению с 82,1 mIoU при 100 % набора данных с функцией потерь – коэффициентом Отиаи. Практическая значимость: с использованием сериализованного представления данных методы кросс-модального смешения станут менее ресурсозатратными. Обсуждение: предложенный метод позволяет унифицировать декодер в модели сегментации смешанных данных благодаря кросс-модальному смешению сериализованных признаков после энкодеров изображений и облаков точек. При этом ранняя сериализация изображений показала себя нецелесообразной ввиду изначально плотной структуры изображений. Реализация метода сериализации изображений с меньшим временем выполнения даст возможность отказаться от раздельных энкодеров для ветвей облаков точек и изображений, что может существенно упростить архитектуру.

Кодовые конструкции на базе обобщенных каскадных кодов для систем связи, использующих прием на основе порядковых статистик

Дмитрий Сергеевич Осипов — 2026-07-02

Введение: во многих проектируемых в настоящее время и перспективных системах связи методы оценивания характеристик канала и управления мощностью сигнала, разработанные для систем связи предыдущих поколений, не могут обеспечить требуемую точность оценивания и выравнивания мощности сигналов на приемном конце. Одним из вариантов решения этой проблемы является использование методов приема на основе порядковых статистик, которые не требуют управления
мощностью или оценивания. Для обеспечения требуемых вероятностных характеристик сигнально-кодовые конструкции на основе таких методов приема должны дополняться внешними кодами. Цель: разработать практически значимые конструкции внешних кодов, способные обеспечить как заданные вероятностные характеристики, так и сравнительно высокую скорость передачи в системе связи рассматриваемого типа. Результаты: разработан общий подход к выбору внешних кодов на основе теории обобщенных каскадных кодов, в рамках которого недвоичные коды в частотной области, интерпретируемые как внутренние коды, дополняются внешними кодами во временной области, параметры которых могут оптимизироваться на основе аналитического расчета и конкретных требований, обусловленных спецификой проектируемых систем. Предложены алгоритмы декодирования с «мягким» входом для внутреннего кода и тем самым для обобщенного каскадного кода в целом. Приведены примеры практически значимых кодов, полученные в результате применения предложенного подхода, основанного на совместном использовании вероятностей ошибки и отказа от декодирования внутренних кодов, полученных с помощью имитационного моделирования, и аналитического метода расчета параметров внешних кодов. Практическая значимость: применение предложенного подхода позволяет получать конструкции внешних кодов, оптимизированных по целому ряду критериев и пригодных для аппаратной реализации.

Оптимизация размещения беспилотных летательных аппаратов для покрытия территории в транкинговых системах связи

Вячеслав Сергеевич Иванов — 2026-07-02

Введение: значимость размещения БПЛА для беспроводного покрытия территории возрастает в условиях сложного рельефа, влияющего на распространение сигнала. Цель: разработать и провести сравнительный анализ методов минимизации числа БПЛА, гарантирующих покрытие дискретной области с учетом рельефа, на основе комбинирования жадных эвристик и стратегий декомпозиции пространства. Результаты: для каждой клетки сетки высот предварительно вычислен максимальный радиус действия БПЛА по модели Окумуры – Хата. Предложены три жадных алгоритма, отличиями которых являются критерии выбора позиции: максимизация числа покрытых клеток внутри области с минимизацией внешнего покрытия; приоритетная минимизация внешнего покрытия; максимизация радиуса без учета границ. На их основе реализованы три варианта декомпозиции рабочей зоны: вертикальное, горизонтальное и квадрантное разбиение с перекрытием, – при которых каждая подобласть обрабатывается независимо с последующим объединением решений. Эксперименты на случайных картах высот 20×20 показали, что базовый алгоритм с приоритетом покрытия внутренних клеток использует в среднем 42 БПЛА и создает 85,2 внешней точки. Алгоритм, минимизирующий внешнюю площадь, снижает ее до 70,5, но требует 56 БПЛА. Максимизация радиуса дает 42 БПЛА при наибольшем внешнем покрытии (94,4). Квадрантное разбиение показало 42 БПЛА и 82,7 внешней точки, что на 2,5 точки меньше базового при сохранении числа аппаратов. Вертикальное разбиение снизило число БПЛА до 41, но не улучшило внешнюю площадь, горизонтальное оказалось наименее эффективным. Практическая значимость: декомпозиция области с перекрытием и выбор оптимальной стратегии для каждой подобласти повышают качество размещения. Квадрантное разбиение демонстрирует лучший компромисс между числом БПЛА и нежелательным излучением, а также наименьший разброс показателей. Предложенные методы могут служить основой для формирования начальных популяций в генетических алгоритмах с целью поиска глобально оптимальных конфигураций сетей на базе БПЛА.

Сведения об авторах

. . — 2026-07-02