Россия
Актуальность исследования обусловлена стремительным ростом объёмов графической информации, поступающей от беспилотных систем, видеонаблюдения, спутниковой разведки и других источников, используемых при мониторинге и ликвидации последствий чрезвычайных ситуаций. В работе представлен комплексный обзор современных методов обработки графической информации, основанных на технологиях искусственного интеллекта, включая сверточные нейронные сети, генеративно-состязательные сети и вариационные автокодировщики. Рассмотрены основные направления применения интеллектуальных моделей для анализа и генерация изображений, их роль в задачах классификации, сегментации, обнаружения объектов, восстановления изображений, моделирования возможных сценариев развития чрезвычайных ситуаций и формирования синтетических обучающих данных. Результаты исследования демонстрируют, что применение глубоких нейросетевых моделей позволяет существенно повысить точность, скорость и надёжность обработки графических данных, что расширяет функциональные возможности систем мониторинга, предупреждения и реагирования на чрезвычайные ситуации.
искусственный интеллект, модель искусственного интеллекта, глубокое обучение, распознавание изображений, генерация изображений, нейронная сеть, вариационный автокодировщик
1. Zhang X., Dahu W. Application of artificial intelligence algorithms in image processing // Journal of Visual Communication and Image Representation. 2019. Vol. 61. P. 42–49.
2. Лабинский А.Ю. Особенности использования нейронной сети для распознавания изображений // Проблемы управления рисками в техносфере. 2016. № 3 (39). С. 67–73.
3. Шкурат Д.Е., Матвеев А.В. Проблемы обнаружения пожара по видеоизображению: обзор исследований // Природные и техногенные риски (физико-математические и прикладные аспекты). 2025. № 2 (54). С. 59–73.
4. Лабинский А.Ю. Особенности нейронных сетей, использующих методы глубокого обучения // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2021. № 4. С. 58–66.
5. Comprehensive review of artificial neural network applications to pattern recognition / O.I. Abiodun [et al.] // IEEE access. 2019. Vol. 7. P. 158820–158846.
6. Муаль М.Н.Б., Козырев Д.В. Применение сверточных нейронных сетей для обнаружения и распознавания изображений на основе самописного генератора // Современные информационные технологии и ИТ-образование. 2022. Т. 18. № 3. С. 507–515.
7. Локтев Д.А., Пролетарский А.В., Локтев А.А. Моделирование системы мониторинга объектов с использованием сверточной нейронной сети // Промышленные АСУ и контроллеры. 2020. № 9. С. 39–46.
8. Тарасов А.С., Никифоров М.Б., Бакамбис Н.И. Применение сверточных сегментационных нейронных сетей для экологического мониторинга земной поверхности // Известия Тульского государственного университета. Технические науки. 2021. № 6. С. 3–10.
9. Малахов Ю.А., Андросов А.А., Аверченков А.В. Анализ и применение генеративно-состязательных сетей для получения изображений высокого качества // Эргодизайн. 2020. № 4 (10). С. 167–176.
10. Synthetic Data generation using DCGAN for improved traffic sign recognition / C. Dewi [et al.] // Neural Computing and Applications. 2022. Vol. 34. №. 24. P. 21465–21480.
11. Modeling and simulating spatial extremes by combining extreme value theory with generative adversarial networks / Y. Boulaguiem [et al.] // Environmental Data Science. 2022. Vol. 1. P. e5.
12. GANsight Innovations: Generative Adversarial Networks for Innovative Medical Imaging / L. Chandana [et al.] // 2024 4th International Conference on Mobile Networks and Wireless Communications (ICMNWC). IEEE, 2024. P. 1–7.
13. Stackgan++: Realistic image synthesis with stacked generative adversarial networks / H. Zhang [et al.] // IEEE transactions on pattern analysis and machine intelligence. 2018. Vol. 41. № 8. P. 1947–1962.
14. Text-to-traffic generative adversarial network for traffic situation generation / Huo G. [et al.] // IEEE Transactions on Intelligent Transportation Systems. 2021. Vol. 23. № 3. P. 2623–2636.
15. Variational autoencoder anomaly-detection of avalanche deposits in satellite SAR imagery / S. Sinha [et al.] // Proceedings of the 10th International Conference on Climate Informatics. 2020. P. 113–119.
16. Wangiyana S. Flood Detection Using Variational Autoencoder in SAR Images // 2023 Signal Processing Symposium (SPSympo). IEEE, 2023. P. 195–197.
17. Автоматизация процедур обнаружения лесных пожаров по результатам обработки видео / Д.В. Васильева [и др.] // Научно-аналитический журнал «Вестник Санкт-Петербургского университета государственной противопожарной службы МЧС России». 2023. № 4. С. 47–58.
