АНАЛІЗ МОЖЛИВОСТЕЙ ВДОСКОНАЛЕННЯ АРХІТЕКТУРИ МАШИННОГО НАВЧАННЯ РОЗПІЗНАВАННЯ ЦІЛЕЙ У АВТОНОМНИХ СИСТЕМАХ ОЗБРОЄННЯ
М.І. Литвиненко, Сергій Осієвський, В.Г. Ленець et al. · Системи обробки інформації · 2025
У статті розглядається сучасний стан архітектури машинного навчання розпізнавання цілей в автономних системах озброєння (АСО). Аналізуються ключові підходи, такі як згорткові нейронні мережі (CNN), трансформерні моделі (ViT), гібридні архітектури та методи мультисенсорної ф’юзії. Окрему увагу приділено механізмам уваги, що покращують точність локалізації об’єктів, а також оптимізаційним стратегіям, які забезпечують високу швидкодію моделей у реальному часі. Дослідження включає огляд класичних алгоритмів комп’ютерного зору, сучасних підходів глибокого навчання (DL) та мультизадачних архітектур, що поєднують різні типи вхідних даних (зображення, LIDAR, радари). Наведено порівняльний аналіз продуктивності моделей ResNet50, InceptioV3 та MobileNetV2 на спеціалізованій вибірці даних, що імітує реальні умови бойового застосування. Результати експериментів показали, що гібридні моделі з механізмами уваги та трансформерні підходи демонструють підвищену точність і стійкість до перешкод, але потребують оптимізації для реального часу. Окремо розглядаються виклики, пов’язані з безпекою АСО, необхідністю врахування етичних аспектів та впровадження механізмів контролю над прийняттям рішень. Перспективи подальших досліджень включають розробку ефективніших методів адаптивного навчання, покращення енергоефективності трансформерних архітектур та впровадження інтегрованих рішень для мультисенсорного аналізу цілей.
Cited by 3 works. doi:10.30748/soi.2025.180.03 Open-access PDF
Authors
References
- Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
- A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects
- Dynamic Neural Networks: A Survey
- A High-Efficient Hybrid Physics-Informed Neural Networks Based on Convolutional Neural Network
- Neuroevolution in Deep Neural Networks: Current Trends and Future Challenges
- Hardware-Aware Neural Architecture Search: Survey and Taxonomy
- Next-ViT: Next Generation Vision Transformer for Efficient Deployment in Realistic Industrial Scenarios
- A Practical Survey on Faster and Lighter Transformers
- Deep learning and multi-modal fusion for real-time multi-object tracking: Algorithms, challenges, datasets, and comparative study
- Vision transformers in domain adaptation and domain generalization: a study of robustness