НАБОР ДАННЫХ ИЗОБРАЖЕНИЙ ДЛЯ ОБНАРУЖЕНИЯ И КЛАССИФИКАЦИИ ВОЕННОЙ ТЕХНИКИ (НДОКВТ)

Технология интеллектуального обнаружения объектов военных транспортных средств уже стала основой для задач разведки и отслеживания оружия и оборудования, что необходимо для осведомленности о ситуации в современных интеллектуальных войнах. За последние два десятилетия было собрано множество наборов данных изображений военных транспортных средств, основное внимание в которых уделялось классификации различных категорий военных транспортных средств, и почти все они недоступны общественности, а доступные имеют проблемы с качеством аннотаций. В ответ на отсутствие набора данных и качество существующих общедоступных наборов данных мы предлагаем специализированный набор данных, основанный на собственной коллекции изображений, а также на общедоступных. Для разработки методов автоматического обнаружения военных транспортных средств различных категорий и отличия их от гражданских мы создали новый набор изображений военных транспортных средств (НДОКВТ). Он состоит из 5899 изображений военных транспортных средств, собранных с использованием трех различных методов: автоматизированного скрапинга, ручного подбора результатов поиска изображений и техник увеличения данных. Насколько нам известно, наш набор данных НДОКВТ является единственным общедоступным набором данных военных транспортных средств, который учитывает скрытые и частично видимые объекты. Этот набор данных будет способствовать созданию моделей компьютерного зрения для обнаружения военных транспортных средств.

1. Dataset of images for detection and classification of military equipment (NDOMV), 2024. Available online: https://drive.google.com/file/d/1m8MIo06XmgtYsiks0LDrjKh_STD9L4Vb/view?usp=drive_link.

2. Redmon J., Divvala S., Girshick R., and Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 779–788.

3. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S., Fu C.Y., and Berg, A.C. (2016). SSD: Single Shot MultiBox Detector. Proceedings of the European Conference on Computer Vision (ECCV), pp. 21–37.

4. Ren S., He K., Girshick R., and Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Advances in Neural Information Processing Systems (NeurIPS), 2015, no. 28.

5. MCUnet Technology, 2020. Available online: https://hanlab.mit.edu/projects/mcunet.

6. He K., Zhang X., Ren, S., and Sun, J. Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770–778.

7. Custom models designed for military vehicle detection.

8. Gupta P., Mandal R., and Sinha, D. Military and Civilian Vehicles Classification. Mendeley Data, 2021, vol.1.

9. Dosovitskiy A., Beyer L., and Kolesnikov A., et al. An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929, 2019.

10. Tan M., and Le, Q. EfficientNet: Rethinking model scaling for convolutional neural networks. Proceedings of the International Conference on Machine Learning (ICML), 2019, pp. 6105–6114.

11. He K., Zhang X., Ren S., and Sun J. Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770–778.

12. Label Studio Technology. Available online: https://labelstud.io/.

13. JPEG Image Format. Available online: https://jpeg.org/.

14. PNG Image Format. Available online: https://en.wikipedia.org/wiki/PNG.

15. BMP Image Format. Available online: https://en.wikipedia.org/wiki/BMP_file_format.

16. Nvidia Graphics Cards. Available online: https://www.nvidia.com/ru-ru/geforce/graphics-cards/.

17. CapstoneProject. Russian-Military-Vehicles Dataset. Available online: https://universe.roboflow.com/capstoneproject/russian-military-vehicles (accessed on 30 July 2024).

18. Bose A.R. Normal vs Military Vehicles Dataset. Available online: https://www.kaggle.com/datasets/amanrajbose/normal-vs-military-vehicles (accessed on 30 July 2024).

19. CapstoneProject. Russian-Military-Annotated Dataset. Available online: https://universe.roboflow.com/capstoneproject/russian-military-annotated (accessed on 30 July 2024).

20. Verone M. Temp Dataset. Available online: https://universe.roboflow.com/mike-verone-wxrqi/tempuanyu (accessed on 30 July 2024).

21. MVDdetection. MV_Detection-FECL Dataset. Available online: https://universe.roboflow.com/mvddetection/mv_detection-fecl (accessed on 30 July 2024).

22. Fernandes A.A.A., Koehler,M., Konstantinou N., Pankin P., Paton N.W., and Sakellariou, R. Data Preparation: A Technological Perspective and Review. SN Comput. Sci., 2023, vol. 4, no. 425. https://doi.org/10.1007/s42979-023-01828-8.

23. Aguinis H., Hill N.S., and Bailey, J.R. Best Practices in Data Collection and Preparation: Recommendations for Reviewers, Editors, and Authors. Organ. Res. Methods, 2021, vol. 24, pp. 678–693. https://doi.org/10.1177/1094428119836485.