АГРЕГАЦІЯ РЕЗУЛЬТАТІВ РОЗПІЗНАВАННЯ ПЕРЦЕПТРОННИХ СТРУКТУР ПЛАТФОРМИ YOLO V8N НА ОСНОВІ МЕТОДУ МЕДІАНИ

Анотація

Традиційно, до критичних параметрів інформаційних систем, зокрема робототехнічних відносять опрацювання сигналів та даних у реальному часі. У роботі розглядаються сучасні платформи і методи ідентифікації об’єктів за їх двомірними зображеннями на основі перцептронних структур, зокрема впровадження YOLOv8 пов’язують з рядом проблемних питань, таких як необхідністю оптимізації моделі під обмежені ресурси та забезпеченням якісного навчального набору даних.

Основною метою проведених досліджень є вдосконалення наявних підходів, що можуть забезпечити підвищення точності виявлення об'єктів при обмежених обчислювальних ресурсах. Основна увага приділяється технологіям попереднього опрацювання вихідних даних перцептронних структур (які функціонують паралельно) з подальшим використанням згладжування для мінімізації впливу шумів.

Як результат, запропоновано багатомодельний підхід з паралельним опрацюванням одного зображення кількома (в даному випадку трьома) перцепртронними структурам платформи YOLO. Агрегування результатів здійснюється методом вибору медіанного значення результату ідентифікації, що дозволяє зменшити вплив випадкових помилок та підвищити стійкість системи.

Крім того, описано переваги запропонованого підходу, зокрема: типовий підхід, простота реалізації, стійкість до промахів, збереження важливих особливостей зображень об’єктів. Водночас відзначено його проблемні аспекти та обмеження, зокрема ігнорування потенційно важливих, але відхилених прогнозів.

У дослідженні також розглянуто реалізацію відповідних алгоритмічних рішень, особливості їх функціонування, подано блок-схемами, що демонструють процеси опрацювання за рівнем впевненості та відбір найбільш релевантних результатів. Таким чином, запропонований підхід до агрегації результатів кількох нейронних мереж дозволяє покращити точність і стабільність при ідентифікації об’єктів на двомірних зображеннях, забезпечуючи подальшу ефективну інтеграцію. Однак слід розуміти, що досягнення згаданих переваг потребує залучення до паралельної роботи кількох перцептронних структур, що суттєво збільшує обчислювальні потреби на імплементацію таких рішень.