Декомпозиція машини глибинного навчання на основі наборів спеціалізованих датасетів для зменшення часу обробки просторової інформації
DOI:
https://doi.org/10.33577/2312-4458.28.2023.60-68Ключові слова:
військове управління, тактичні ситуації, комплекс засобів автоматизації, система консолідованої обробки просторової інформації, система систем, машина глибинного навчання, декомпозиція, датасет, дані зображень, прогнозування, вимоги до програмного забезпеченняАнотація
Для ефективного військового управління створення комплексів засобів автоматизації, систем обробки просторової інформації, передусім консолідованих, є пріоритетною задачею в умовах постійного зростання даних і вимог до їх збирання, передачі, зберігання, обробки та використання. Системи глибинного навчання дають високу точність прогнозування, але потребують адаптації до військово-прикладних задач, у яких часові критерії, програмно-апаратні обмеження та долання невизначностей, зумовлених протиборством, є критичними.
Використовуючи спеціалізовані датасети у каналах системи консолідованої обробки просторової інформації, її максимальну ефективність досягають через декомпозицію процесів обробки у системі з машиною глибинного навчання. Порівняно малі обсяги набору спеціалізованих датасетів уможливлюють надвисоку швидкодію процесів обробки інформації. При цьому людський фактор, необхідний для інформаційно-аналітичної роботи, залишається ключовим.
Посилання
Бударецький Ю., Щавінський Ю., Кузнецов В., Ніколаєв С. Застосування методу ієрархій для оцінювання програмного забезпечення комплексів засобів авто-матизації. Військово-технічний збірник. Вип. № 25. Львів: НАСВ, 2021. С. 3–11. https://doi.org/10.33577/2312-4458.25.2021.3-12 (дата звернення: 15.03.2023).
Ткачук П., Живчук В., Литвин В., Оборська О. Підхід до побудови програмного забезпечення збору, передачі та обробки розвідувальних даних в АСУ тактичної ланки. Військово-технічний збірник. Вип. № 13. Львів: НАСВ, 2015. С. 61–64. https://doi.org/10.33577/2312-4458.13.2015.61-64 (дата звернення: 15.03.2023).
Peleshchak R., Peleshchak I., Vysotska V. Methods for recognizing multispectral images based on neural networks. Beau Bassin: LAP Lambert Academic Publishing, – 153 p.
Рубель А.С. Методи сервісно-орієнтованої обробки багатоканальних зображень дистанційного зондування : автореф. дис. ... доктора філософії за спеціальністю 172 «Телекомунікації та радіотехніка»: Нац. аерокосм. ун-т ім. М. Жуковського «Харківський авіаційний інститут», 2020. 20 с.
Станкевич С.А., Масленко О.В., Андронов В.В. Адаптація нейромережевих технологій до ідентифікації малорозмірних об’єктів на супутникових зображеннях недостатньої розрізненності в базі графічних еталонів. Український журнал дистанційного зондування Землі. Київ, 2020. № 27. С. 13–17. DOI: https://doi.org/10.36023/ujrs.2020.27.175 (дата звернення: 15.03.2023).
Романчук М.П. Обґрунтування типу фреймворків глибокого навчання для оброблення даних дистанційного зондування Землі. Проблеми створення, випробування, застосування та експлуатації складних інформаційних систем. Житомир, 2019. № 16. С. 70–79.
DOI: https://doi.org/10.46972/2076-1546.2019.16.07 (дата звернення: 15.03.2023).
Klymovych O., Hrabchak V., Lavrut O., Lavrut T., Lytvyn V., Vysotska V. The diagnostics methods for modern communication tools in the Armed Forces of Ukraine
based on neural network approach. CEUR Workshop Proceedings. 2020. Vol. 2631 С. 198–208.
Kuznetsova A., Rom H., Alldrin N. et al. The Open Images Dataset V4. Int J Comput Vis 128, 1956–1981 (2020). https://doi.org/10.1007/s11263-020-01316-z (дата звернення: 15.03.2023).
Wang Y. Erratum to: Towards the abstract system theory of system science for cognitive and intelligent systems. Complex Intell. Syst. 1. № 23. 2015. DOI: https://doi.org/10.1007/s40747-016-0007-7 (дата звернення: 15.03.2023).
Lee J., Natsev A., Reade W. et al. The 2nd YouTube-8M Large-Scale Video Understanding Challenge. In: Leal-Taixé, L., Roth, S. (eds) Computer Vision – ECCV 2018 Workshops. ECCV 2018. Lecture Notes in Computer Science, № 11132. Springer, Cham. https://doi.org/10.1007/978-3-030-11018-5_18 (дата звернення: 15.03.2023).
De Benito-Gorron D., Lozano-Diez A., Toledano D. et al. Exploring convolutional, recurrent, and hybrid deep neural networks for speech and music detection in a large audio dataset. J AUDIO SPEECH MUSIC PROC. 2019, № 9. https://doi.org/10.1186/s13636-019-0152-1 (дата звернення: 15.03.2023).
Godambe T., Rallabandi S., Gangashetty S.V. et al. Developing a unit selection voice given audio without corresponding text. J AUDIO SPEECH MUSIC PROC. 2016, № 6. DOI: https://doi.org/10.1186/s13636-016-0084-y (дата звернення: 15.03.2023).
Mei J., Zheng Y., Cheng M. D2ANet: Difference-aware attention network for multi-level change detection from satellite imagery. Comp. Visual Media. 2023. DOI: https://doi.org/10.1007/s41095-022-0325-1 (дата звернення: 15.03.2023).
Rajpurkar P., Zhang J., Lopyrev K., Liang P. SQuAD: 100,000+ Questions for Machine Comprehension of Text. Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing, p. 2383–2392, Austin, Texas. DOI: https://doi.org/10.18653/v1/D16-1264 (дата звернення: 15.03.2023).
Ramírez J., Baez M., Casati F. et al. Crowdsourced dataset to study the generation and impact of text highlighting in classification tasks. BMC Res Notes № 12. 2019. https://doi.org/10.1186/s13104-019-4858-z (дата звернення: 15.03.2023).
