СПРАВКА о работе АО «РАКУРС» в ходе реализации гранта в рамках федерального проекта «Искусственный интеллект» национальной программы «Цифровая экономика Российской Федерации» (1 этап)
Еще новости по этой темe
Итоги запусков космических аппаратов ДЗЗ и тенденции отрасли в 2024 году
PHOTOMOD Radar 2.3.1. Новая версия
Компания «РАКУРС» стала победителем Международного конкурса BRICS Solutions Awards
PHOTOMOD 8.0. Новая версия фотограмметрической платформы
PHOTOMOD Radar 2.3. Новая версия
Информационное сообщение пользователям данных с китайских спутников ДЗЗ
PHOTOMOD 7.51. Новая версия фотограмметрической платформы
Итоги поставок спутниковых данных ДЗЗ в 2023 году
PHOTOMOD 7.5. Новая версия фотограмметрической платформы
PHOTOMOD 7.4. Новая версия фотограмметрической платформы
Компания "Ракурс" приняла участие в Летней Космической Школе - 2023
Дата: 31 января 2023
Тип публикации: новости
По заказу Фонда содействия инновациям (Фонд содействия развитию малых форм предприятий в научно-технической сфере) в ходе реализации гранта по поддержке малых предприятий по разработке, применению и коммерциализации продуктов, сервисов и (или) решений с использованием технологий искусственного интеллекта, разработчиков открытых библиотек в сфере искусственного интеллекта, акселерации проектов с применением искусственного интеллекта в рамках федерального проекта «Искусственный интеллект» национальной программы «Цифровая экономика Российской Федерации», на базе АО «Ракурс» в ходе работ 1 этапа был разработан модуль нейросетевой обработки радиолокационных данных.
Разработанный программный модуль позволяет решать весь циклзадач, связанных с построением комплекса нейросетевой обработки радиолокационных данных. Модуль содержит ряд программных блоков, связанных с предварительной обработкой и подготовкой данных для дальнейшего обучения нейронной сети, в том числе: редактор 3D-моделей, редактор эталонов (генератор синтетических эталонов), генератор обучающей выборки, блок разметки радиолокационных изображений.
Предложена и реализована технология, позволяющая расширить репрезентативность синтетической обучающей выборки. В рамках предложенной технологии реализована процедура отбора эталонов, наиболее подобных реальному объекту на основе анализа взаимной корреляционной функции с последующей апробацией результатов по критерию наличия явного максимума в функции взаимной корреляции.
В работе модуля реализованы два метода формирования синтетических изображений – статический и итерационный, а также используется нейронная сеть, позволяющая решать задачу обнаружения и классификации объектов на одноканальных радиол окационных изображениях с высоким динамическим диапазоном.
Создан блок, позволяющий производить разметку реальных радиолокационных изображений (РЛИ), с целью создания обучающей выборки, независимо от того, каким аппаратом они были получены. Выходные продукты описанных блоков используются в блоке обучения нейронной сети и в блоке корреляционного поиска объектов.
В результате работ с использованием реальных РЛИ сформированы два набора данных (обучающие выборки 1 и 4 класса): с авиационной и нефтедобывающей техникой.
Разработан пользователь-ориентированный интерфейс, позволяющий оператору определять ключевые параметры нейросети и задавать команду на обучение. В результате обучения нейронной сети формируется файл с весовыми коэффициентами, который в дальнейшем будет использован для поиска и классификации объектов на других изображениях.
Задачу по поиску и классификации объектов решает специальный блок, входящий в состав модуля. Он позволяет позиционировать и классифицировать объекты на входном изображении с использованием файла весовых коэффициентов, полученных на выходе блока обучения нейронной сети.
Результатом выполнения программы является размеченное изображение, на котором выделены найденные объекты, указан их класс и вероятность принадлежности объекта этому классу.