Ієрархічне інформаційно-екстремальне машинне навчання БПЛА для семантичної сегментації цифрового зображення регіону за декурсивною структурою даних

Abstract

Метою дослідження є підвищення точності машинного навчання автономного безпілотного літального апарату для ідентифікації кадрів цифрового зображення регіону спостереження. Запропоновано функціональну категорійну модель, на основі якої розроблено і програмно реалізовано алгоритм інформаційно-екстремального машинного навчання за лінійною структурою даних з оптимізацією контрольних допусків на ознаки розпізнавання. Формування вхідної навчальної матриці яскравості здійснювалося шляхом оброблення в декартовій системі координат цифрових зображень об’єктів машинного навчання, які відносилися до типу “текстура”. Як критерій оптимізації параметрів машинного навчання використовувалася модифікована міра Кульбака. Оскільки реалізація машинного навчання за лінійною структурою даних не дозволила отримати високу точність машинного навчання, то було реалізовано інформаційно-екстремальне машинне навчання за ієрархічною структурою у вигляді декурсивного бінарного дерева. Перехід від лінійної структури даних до ієрархічної дозволив багатокласове машинне навчання звести до двохкласового для кожної страти декурсивного бінарного дерева і підвищити усереднене за стратами декурсивного дерева значення інформаційного критерію. The purpose of the study is to increase the accuracy of machine learning of an autonomous unmanned aerial vehicle (UAV) for identifying frames of a digital image of the observation region. A functional categorical model is proposed, on the basis of which an algorithm for information-extreme machine learning of an autonomous UAV by linear data structure with optimization of control tolerances for recognition features is developed and programmatically implemented. The formation of the input training brightness matrix was carried out by using the Cartesian coordinate system to process the brightness values for digital images of machine learning objects that belonged to the “texture” type. The modified Kullback measure was used as a criterion for optimizing machine learning parameters. Since the implementation of machine learning on a linear data structure did not allow to achieve high accuracy of machine learning, information-extreme machine learning was implemented on a hierarchical structure in the form of a decursive binary tree. The transition from a linear data structure to a hierarchical one allowed to reduce multi-class machine learning to the two-class learning at each stratum of a decursive binary tree, which allowed to increase the averaged value of the information criterion over the strata of the decursive tree.