Ключевые слова: точечная цель, инфракрасные изображения, компьютерное зрение, каскадный алгоритм обнаружения, метод Гаусса-Ньютона, сверточная нейронная сеть, статическое квантование, INT8, встраиваемые системы, ПЛИС
УДК 004.93
DOI: 10.26102/2310-6018/2026.62.11.006
В статье рассматривается новый алгоритм обнаружения малоразмерных (точечных) целей на изображениях средневолнового инфракрасного диапазона, функционирующий в условиях высокой априорной неопределенности оптико-электронных данных и низкого отношения сигнал/шум. Предложенная стратегия обнаружения основана на каскадной многоэтапной обработке, последовательно снижающей неопределенность исходных данных. Алгоритм включает в себя поиск локальных максимумов с последующим пороговым отсеиванием заведомо ложных кандидатов по амплитудным признакам, аппроксимацию окрестности методом Гаусса-Ньютона и финальную классификацию целеподобных объектов с помощью компактной четырехслойной сверточной нейронной сети. При этом пороговая фильтрация значительно сокращает число ложных тревог еще до применения вычислительно затратной нейросетевой классификации. Для обеспечения возможности интеграции алгоритма во встраиваемое программное обеспечение на базе программируемых логических интегральных схем применено статическое квантование параметров нейросети до формата INT8. Экспериментальные исследования на реальных изображениях средневолнового инфракрасного диапазона подтвердили высокую эффективность разработанного подхода: модель обеспечивает правильность обнаружения не менее 0,95 при интегральной метрике качества AUC = 0,96, а сокращение объема памяти под веса сети в 3,14 раза (до 632 байт) позволяет использовать алгоритм в ресурсоограниченных бортовых системах реального времени.
1. Wang Y., Gao K., Gebel E.S. End-To-End Mapless Navigation in Environments with Mixed Obstacles. In: 2026 12th International Conference on Automation, Robotics and Applications (ICARA), 05–07 February 2026, Istanbul, Turkiye. IEEE; 2026. P. 123–127. https://doi.org/10.1109/ICARA69401.2026.11480297
2. Костров В.В., Ракитин А.В., Богатов А.Д. Алгоритмическое обеспечение обнаружения и координатометрии точечных объектов в оптико-электронных системах с болометрическим матричным приемником. Радиотехнические и телекоммуникационные системы. 2025;(4):44–54. https://doi.org/10.24412/2221-2574-2025-4-44-54
3. Знаменский И.В. Зависимость величины сигнала от смещения функции рассеяния точки относительно центра пиксела фоточувствительной матрицы. Оптический журнал. 2023;90(12):96–110. https://doi.org/10.17586/1023-5086-2023-90-12-96-110
4. McKay M.B., Lawrence N.P., Wetton B., Gopaluni R.B. Error whitening: Why Gauss-Newton outperforms Newton. arXiv. URL: https://arxiv.org/abs/2605.11316 [Accessed 10th July 2026].
5. Fan M., Tian Sh., Liu K., Zhao J., Li Y. Infrared small target detection based on region proposal and CNN classifier. Signal, Image and Video Processing. 2021;15(4):1927–1936. https://doi.org/10.1007/s11760-021-01936-z
6. Moran J., Qing H. Brain-inspired filtering Network for small infrared target detection. Multimedia Tools and Applications. 2023;82(18):28405–28426. https://doi.org/10.1007/s11042-023-14762-x
7. Wei L., Ma Zh., Yang Ch., Yao Q. Advances in the Neural Network Quantization: A Comprehensive Review. Applied Sciences. 2024;14(17):7445. https://doi.org/10.3390/app14177445
8. Gholami A., Kim S., Dong Zh., Yao Zh., Mahoney M.W., Keutzer K. A Survey of Quantization Methods for Efficient Neural Network Inference. arXiv. URL: https://arxiv.org/abs/2103.13630 [Accessed 10th July 2026].
9. Sali S.M., Meribout M., Majeed A.A. Real Time FPGA Based CNNs for Detection, Classification, and Tracking in Autonomous Systems: State of the Art Designs and Optimizations. arXiv. URL: https://arxiv.org/abs/2509.04153 [Accessed 10th July 2026].
10. Hozhabr S.H., Giorgi R. A Survey on Real-Time Object Detection on FPGAs. IEEE Access. 2025;13:38195–38238. https://doi.org/10.1109/ACCESS.2025.3544515
Ключевые слова: точечная цель, инфракрасные изображения, компьютерное зрение, каскадный алгоритм обнаружения, метод Гаусса-Ньютона, сверточная нейронная сеть, статическое квантование, INT8, встраиваемые системы, ПЛИС
Для цитирования: Кирюшин Е.Ю., Кошелев А.В. Алгоритмическое обеспечение нейросетевого обнаружения малоразмерных объектов в условиях высокой априорной неопределенности оптико-электронных данных. Моделирование, оптимизация и информационные технологии. 2026;14(11). URL: https://moitvivt.ru/ru/journal/article?id=2597 DOI: 10.26102/2310-6018/2026.62.11.006
© Кирюшин Е.Ю., Кошелев А.В. Статья опубликована на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NS 4.0)Поступила в редакцию 03.08.2026
Поступила после рецензирования 19.10.2026
Принята к публикации 11.11.2026