ӘСКЕРИ КӨЛІКТЕРДІ АНЫҚТАУ ЖӘНЕ ЖІКТЕЛУГЕ АРНАЛҒАН БЕЙНЕЛЕР ДЕРЕКТЕР ЖИНАҒЫ (ӘКАЖДЖ)

Әскери көлік құралдарын интеллектуалды анықтау технологиясы – қазіргі заманғы интеллектуалды соғыстарда қару-жарақ пен жабдықтарды барлау және бақылау үшін қажетті ахуалдық хабардарлықты қамтамасыз етудің негізі. Соңғы жиырма жыл ішінде әскери көлік құралдарының суреттерінен тұратын көптеген деректер жиынтығы жиналды, олардың басым бөлігі әскери көлік құралдарының әртүрлі санаттарын классификациялауға бағытталған. Алайда, бұл деректер жиынтығының көпшілігі көпшілікке қолжетімді емес, ал қолжетімді деректер жиынтығы аннотация сапасындағы мәселелерден зардап шегеді. Осы деректердің жетіспеушілігі мен қолжетімді жиынтықтардың сапасындағы ақауларға байланысты біз өзіміз жинаған суреттер жиынтығы мен қолжетімді деректер негізінде арнайы жиынтық ұсынамыз. Әскери көлік құралдарының әртүрлі санаттарын автоматты түрде анықтау және оларды азаматтық көліктерден ажырату әдістерін жасау мақсатында біз әскери көлік құралдарының жаңа суреттер жиынтығын (ӘКАЖДЖ) [1] әзірледік. Ол автоматтандырылған скрейпинг, сурет іздеу нәтижелерін қолмен таңдау және деректерді ұлғайту әдістерін қолдану арқылы жиналған 5899 әскери көлік құралының суреттерінен тұрады. Біздің білуімізше, ӘКАЖДЖ жиынтығы жасырын және ішінара көрінетін объектілерді ескеретін жалғыз ашық қолжетімді әскери көлік құралдарының деректер жиынтығы. Бұл деректер жиынтығы әскери көлік құралдарын анықтауға арналған компьютерлік көру модельдерін әзірлеуге ықпал етеді.

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.