ЧИСЛЕННЫЙ МЕТОД ИНТЕГРАЦИИ СЛОЕВ В АРХИТЕКТУРУ АДАПТИВНОЙ ЭНЕРГОЭФФЕКТИВНОЙ МОДЕЛИ
Авторы:
1.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
Тип:
Статья
Номер статьи:
Статус:
Опубликован
Получено:
05.08.2025
Одобрено:
07.08.2025
Опубликовано:
07.08.2025
Язык материала:
русский
Ключевые слова:
АДАПТИВНАЯ ЭНЕРГОЭФФЕКТИВНАЯ МОДЕЛЬ, МЕТОД ИНТЕГРАЦИИ, МОДИФИКАЦИЯ, ТОЧНОСТЬ РАСПОЗНАВАНИЯ, ПАРАМЕТРИЗОВАННЫЙ ФИЛЬТР, РАССЕИВАЮЩИЙ ФИЛЬТР, ОБЪЕКТ, ЭНЕРГОЭФФЕКТИВНОСТЬ
Аннотация (русский):
В данной статье рассматривается задача распознавания объектов в дорожных сценах. В процессе исследования выявлено, что увеличение сложности нейросетевых моделей приводит к значительному росту вычислительных затрат и энергопотребления, что ограничивает их применение в мобильных устройствах. Для решения задачи предлагается метод интеграции слоев в архитектуру адаптивной энергоэффективной модели, отличающийся динамическим управлением параметрами модели на основе анализа дорожной сцены, вычислительных ресурсов, что позволяет повысить точность распознавания объектов (дорожных знаков, дорожных разметок, светофоров) в дорожных сценах с учетом естественных шумов (дождь, солнечный блик, туман, снег, сумерки) и энергоэффективность моделей. Разработанный метод имеет преимущество по сравнению со стандартными моделями YOLOv8, обеспечивая оптимальный баланс между точностью распознавания и энергопотреблением, что особенно важно для устройств с ограниченными вычислительными ресурсами (смартфонами, планшетами). С учетом добавления слоев устойчивости и оптимизации адаптивные энергоэффективные модели имеют модификации: YOLOv8n-AE, YOLOv8s-AE, YOLOv8m-AE, YOLOv8l-AE, YOLOv8x-AE. Проведен пример численного расчета параметров слоев «Adaptability» и «Optimization» дорожной сцены. Реализация метода интеграции слоев в архитектуру адаптивной энергоэффективной модели выполнена в прикладной программе, что позволяет снизить нагрузку на вычислительные ресурсы для использования в мобильных устройствах, обеспечивая точный анализ дорожной сцены. Разработанные модели используются в мобильном приложении «Ассистент водителя» для распознавания объектов в режиме реального времени, обеспечивая надежную работу вычислительных ресурсов. В перспективе целесообразно усовершенствование прикладной программы, расширение базы данных для дообучения предложенных моделей.
В данной статье рассматривается задача распознавания объектов в дорожных сценах. В процессе исследования выявлено, что увеличение сложности нейросетевых моделей приводит к значительному росту вычислительных затрат и энергопотребления, что ограничивает их применение в мобильных устройствах. Для решения задачи предлагается метод интеграции слоев в архитектуру адаптивной энергоэффективной модели, отличающийся динамическим управлением параметрами модели на основе анализа дорожной сцены, вычислительных ресурсов, что позволяет повысить точность распознавания объектов (дорожных знаков, дорожных разметок, светофоров) в дорожных сценах с учетом естественных шумов (дождь, солнечный блик, туман, снег, сумерки) и энергоэффективность моделей. Разработанный метод имеет преимущество по сравнению со стандартными моделями YOLOv8, обеспечивая оптимальный баланс между точностью распознавания и энергопотреблением, что особенно важно для устройств с ограниченными вычислительными ресурсами (смартфонами, планшетами). С учетом добавления слоев устойчивости и оптимизации адаптивные энергоэффективные модели имеют модификации: YOLOv8n-AE, YOLOv8s-AE, YOLOv8m-AE, YOLOv8l-AE, YOLOv8x-AE. Проведен пример численного расчета параметров слоев «Adaptability» и «Optimization» дорожной сцены. Реализация метода интеграции слоев в архитектуру адаптивной энергоэффективной модели выполнена в прикладной программе, что позволяет снизить нагрузку на вычислительные ресурсы для использования в мобильных устройствах, обеспечивая точный анализ дорожной сцены. Разработанные модели используются в мобильном приложении «Ассистент водителя» для распознавания объектов в режиме реального времени, обеспечивая надежную работу вычислительных ресурсов. В перспективе целесообразно усовершенствование прикладной программы, расширение базы данных для дообучения предложенных моделей.
Ключевые слова:
АДАПТИВНАЯ ЭНЕРГОЭФФЕКТИВНАЯ МОДЕЛЬ, МЕТОД ИНТЕГРАЦИИ, МОДИФИКАЦИЯ, ТОЧНОСТЬ РАСПОЗНАВАНИЯ, ПАРАМЕТРИЗОВАННЫЙ ФИЛЬТР, РАССЕИВАЮЩИЙ ФИЛЬТР, ОБЪЕКТ, ЭНЕРГОЭФФЕКТИВНОСТЬ
АДАПТИВНАЯ ЭНЕРГОЭФФЕКТИВНАЯ МОДЕЛЬ, МЕТОД ИНТЕГРАЦИИ, МОДИФИКАЦИЯ, ТОЧНОСТЬ РАСПОЗНАВАНИЯ, ПАРАМЕТРИЗОВАННЫЙ ФИЛЬТР, РАССЕИВАЮЩИЙ ФИЛЬТР, ОБЪЕКТ, ЭНЕРГОЭФФЕКТИВНОСТЬ
