Застосування комп’ютерного зору для виявлення цілей у багаторівневих системах військової розвідки: огляд літератури

Денис Берковський*, Аліна Артьомова

d.s.berkovskyi@khai.edu

Отримано 21.08.2025, Доопрацьовано 25.02.2026, Прийнято 28.04.2026, Опубліковано 29.05.2026
Анотація

Метою дослідження був аналіз сучасних методів комп’ютерного зору для автоматичного виявлення та класифікації цілей у багаторівневих системах військової розвідки, а також оцінювання ефективності алгоритмів глибокого навчання в обробці розвідувальних даних за різних умов спостереження. Для досягнення цієї цілі підхід інтегрує систематичний огляд літератури, моделювання архітектур обробки зображень та порівняльну оцінку моделей виявлення об’єктів на основі нейронних мереж. Результати дослідження показали, що розгортання найсучасніших архітектур глибокого навчання, зокрема згорткових нейронних мереж, варіантів YOLO та моделей на основі трансформаторів, суттєво покращує точність та надійність автоматичного виявлення військових об’єктів на зображеннях, отриманих з безпілотних літальних апаратів та супутникових джерел. Крім того, поєднання даних з кількох датчиків з мультимодальними методами обробки покращує можливості розпізнавання цілей, особливо в сценаріях, що характеризуються низькою видимістю, складним складом сцени або частковим перекриттям об’єкта. Порівняльний аналіз сучасних архітектур показав, що моделі сімейства YOLO забезпечують найкращу швидкість обробки та є найбільш придатними для застосування в режимі реального часу на борту безпілотного літального апарату, тоді як Faster R-CNN демонструє вищу точність локалізації складних і малорозмірних об’єктів, але потребує більших обчислювальних витрат. Архітектури згорткових нейронних мереж забезпечують збалансоване співвідношення між точністю та продуктивністю, тоді як моделі на основі трансформерів ефективніше працюють у складних умовах спостереження, зокрема за низької просторової роздільної здатності, наявності шуму, часткового перекриття та маскування об’єктів, однак їх використання супроводжується підвищеними вимогами до обчислювальних ресурсів. Загалом встановлено компроміс між точністю виявлення, швидкістю обробки та обчислювальною складністю моделей, який визначає доцільність їх застосування залежно від характеристик розвідувальної платформи та умов виконання завдання. Надано інформацію про розробку інтелектуальних систем для автоматизованого аналізу даних розвідки

Ключові слова:
глибоке навчання; виявлення об’єктів; мультисенсорне об’єднання даних; аналіз у реальному часі; безпілотний літальний апарат

Взято з Том 24, № 1, 2026

Сторінки 107–119

Використані джерела ЦИТУВАТИ
  1. Afifah, V. (2026). YOLOv8 for object detection: A comprehensive review of advances, techniques, and applications. International Journal of Advanced Computational Intelligence, 2(1), 53-61. doi: 10.71129/ijaci.v2i1.pp53-61.
  2. Al-IQubaydhi, N., Alenezi, A., Alanazi, T., Senyor, A., Alanezi, N., Alotaibi, B., Alotaibi, M., Razaque, A., & Hariri, S. (2024). Deep learning for unmanned aerial vehicles detection: A review. Computer Science Review, 51, article number 100614. doi: 10.1016/j.cosrev.2023.100614.
  3. Beard, R.W., & McLain, T.W. (2012). Small unmanned aircraft theory and practice. Princeton & Oxford: Princeton University Press.
  4. Bian, X., & Ma, J. (2025). Deep learning based real time detection and localisation for targets in UAV remote sensing images. International Journal of Advance in Applied Science Research, 4(9), 8-13.
  5. Cao, Z., Kooistra, L., Wang, W., Guo, L., & Valente, J. (2023). Real time object detection based on UAV remote sensing: A systematic literature review. Drones, 7, article number 620. doi: 10.3390/drones7100620.
  6. Chen, G., Liu, S.-J., Sun, Y.-J., Ji, G.-P., Wu, Y.-F., & Zhou, T. (2022). Camouflaged object detection via context-aware cross-level fusion. ArXiv. doi: 10.48550/arXiv.2207.13362.
  7. Elgamily, K.M., Mohamed, M.A., Abou Taleb, A.M., & Ata, M.M. (2025). Enhanced object detection in remote sensing images by applying metaheuristic and hybrid metaheuristic optimisers to YOLOv7 and YOLOv8. Scientific Reports, 15, article number 7226. doi: 10.1038/s41598-025-89124-8.
  8. Gromada, K., Siemiątkowska, B., Stecz, W., Płochocki, K., & Woźniak, K. (2022). Real-time object detection and classification by UAV equipped with SAR. Sensors (Basel, Switzerland), 22(5), article number 2068. doi: 10.3390/s22052068.
  9. Gui, S., Song, S., Qin, R., & Tang, Y. (2024). Remote sensing object detection in the deep learning era – a review. Remote Sensing, 16(2), article number 327. doi: 10.3390/rs16020327.
  10. Habash, N., et al. (2025). Recent real-time aerial object detection approaches, performance, optimisation, and efficient design trends for onboard performance: A survey. Sensors (Basel, Switzerland), 25(24), article number 7563. doi: 10.3390/s25247563.
  11. Howard, A.G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. ArXiv.  doi: 10.48550/arXiv.1704.04861.
  12. Hua, W., & Chen, Q. (2025). A survey of small object detection based on deep learning in aerial images. Artificial Intelligence Review, 58, article number 162. doi: 10.1007/s10462-025-11150-9.
  13. Jin, L., Wang, R., & Huang, B. (2026). A challenge-driven survey on UAV-based target tracking. Computers, Materials & Continua, 88(1), article number 2. doi: 10.32604/cmc.2026.080050.
  14. Johnson, S.L., Moore, H.D., & Porter, M.D. (2026). Toward resilient multi-modal drone detection in cluttered environments: A systems survey of EO/IR, radar, acoustic, LiDAR and RF modalities. International Journal of Critical Infrastructure Protection, 54, article number 100870. doi: 10.1016/j.ijcip.2026.100870.
  15. Jonnalagadda, A.V., & Hashim, H.A. (2024). SegNet: Segmented deep learning CNN approach for wildfire detection in UAV imagery. Remote Sensing Applications: Society and Environment, 34, article number 101181. doi: 10.1016/j.rsase.2024.101181.
  16. Kadhum, F.M., Abdulhameed, A.A., & Saud, J.H. (2026). Vision-based UAV detection methods using deep learning: A review. Journal of Al-Qadisiyah for Computer Science and Mathematics, 18(1), 281-301. doi: 10.29304/jqcsm.2026.18.12504.
  17. Kang, J., Tariq, S., Oh, H., & Woo, S.S. (2022). A survey of deep learning-based object detection methods and datasets for overhead imagery. IEEE Access. doi: 10.1109/ACCESS.2022.3149052.
  18. Kırac, E., & Özbek, S. (2024). Deep learning based object detection with UAV equipped with embedded system. Journal of Aviation, 8(1), 15-25. doi: 10.30518/jav.1356997.
  19. Lee, C., Son, J., Shon, H., Jeon, Y., & Kim, J. (2024). FRED: Towards a full rotation-equivariance in aerial image object detection. Proceedings of the AAAI Conference on Artificial Intelligence, 38(4), 2883-2891. doi: 10.1609/aaai.v38i4.28069.
  20. Leng, J., Ye, Y., Mo, M., Gao, C., Gan, J., Xiao, B., & Gao, X. (2024). Recent advances for aerial object detection: A survey. ACM Computing Surveys, 56(12), article number 296. doi: 10.1145/3664598.
  21. Li, C., Zhao, R., Wang, Z., Xu, H., & Zhu, X. (2025). RemDet: Rethinking efficient model design for UAV object detection. Proceedings of the AAAI Conference on Artificial Intelligence, 39(5), 4643-4651. doi: 10.1609/aaai.v39i5.32490.
  22. Li, Z., Wang, Y., Zhang, N., Zhang, Y., Zhao, Z., Xu, D., Ben, G., & Gao, Y. (2022). Deep learning-based object detection techniques for remote sensing images: A survey. Remote Sensing, 14(10), article number 2385. doi: 10.3390/rs14102385.
  23. Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., & Johnson, B.A. (2019). Deep learning in remote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing, 152, 166-177. doi: 10.1016/j.isprsjprs.2019.04.015.
  24. Makarichev, V., Tsekhmystro, R., Lukin, V., & Krytskyi, D. (2025). Performance improvement of vehicle and human localisation and classification by YOLO family networks in noisy UAV images. Information, 16(12), article number 1087. doi: 10.3390/info16121087.
  25. Mei, S., Lian, J., Wang, X., Su, Y., Ma, M., & Chau, L.-P. (2024). A comprehensive study on the robustness of deep learning-based image classification and object detection in remote sensing: Surveying and benchmarking. Journal of Remote Sensing, 4, article number 0219.  doi: 10.34133/remotesensing.0219.
  26. Mouatassim, T., Airaj, M., & El Guarmah, E.M. (2026). Safeguarding the skies: The rise of machine learning approaches for cyberattack detection in unmanned aerial systems. Cybersecurity 9, article number 62. doi: 10.1186/s42400-025-00466-2.
  27. Nikouei, M., Baroutian, B., Nabavi, S., Taraghi, F., Aghaei, A., Sajedi, A., & Ebrahimi Moghaddam, M. (2025). Small object detection: A comprehensive survey on challenges, techniques and real-world applications. Intelligent Systems with Applications, 27, article number 200561. doi: 10.1016/j.iswa.2025.200561.
  28. Paheding, S., Saleem, A., Siddiqui, M.F.H., Rawashdeh, N., Essa, A., & Reyes, A.A. (2024). Advancing horizons in remote sensing: A comprehensive survey of deep learning models and applications in image classification and beyond. Neural Computing and Applications, 36, 16727-16767. doi: 10.1007/s00521-024-10165-7.
  29. Ramos, L.T., & Sappa, A.D. (2025). A decade of You Only Look Once (YOLO) for object detection: A review. ArXiv. doi: 10.48550/arXiv.2504.18586.
  30. Rouhi, A., Arezoomandan, S., Kapoor, R., Klohoker, J., Patal, S., Shah, P., Umare, H., & Han, D. (2024). An overview of deep learning in UAV perception. In 2024 IEEE international conference on consumer electronics (ICCE). Las Vegas: IEEE. doi: 10.1109/ICCE59016.2024.10444237.
  31. Sairam, R.V.C., Keswani, M., Sinha, U., Shah, N., & Balasubramanian, V.N. (2023). ARUBA: An architecture-agnostic balanced loss for aerial object detection. In Proceedings of the IEEE/CVF winter conference on applications of computer vision (WACV 2023) (pp. 3719-3728). Waikoloa, USA: IEEE Computer Society.
  32. Soeleman, M.A., Supriyanto, C., & Purwanto. (2023). Deep learning model for unmanned aerial vehicle based object detection on thermal images. Revue d’Intelligence Artificielle, 37(6), 1441-1447. doi: 10.18280/ria.370608.
  33. Sun, P., Liu, T., Chen, X., Zhang, S., Zhao, Y., & Wei, S. (2022). Multi-source aggregation transformer for concealed object detection in millimeter-wave images. IEEE Transactions on Circuits and Systems for Video Technology, 32(9), 6148-6159.  doi: 10.1109/TCSVT.2022.3161815.
  34. Tsekhmystro, R., Lukin, V., & Krytskyi, D. (2025). UAV image denoising and its impact on performance of object localisation and classification in UAV images. Computation, 13(10), article number 234. doi: 10.3390/computation13100234.
  35. Vasishta, M.S.S.V., Amireddy, A.T.R., & Shrivastava, P. (2024). Small object detection for UAVs using deep learning models on edge computing: A comparative analysis. In 2024 5th international conference on circuits, control, communication and computing (pp. 1-7). Bangalore: IEEE.
  36. Wang, K., Wang, Z., Li, Z., Su, A., Teng, X., Pan, E., Liu, M., & Yu, Q. (2025). Oriented object detection in optical remote sensing images using deep learning: A survey. Artificial Intelligence Review, 58, article number 350. doi: 10.1007/s10462-025-11256-0.
  37. Wu, Y., & Tong, K. (2025). Research advances on deep learning based small object detection in UAV aerial images. Acta Aeronautica et Astronautica Sinica, 46(3). doi: 10.7527/S1000-6893.2024.30848.
  38. Yu, Y., & Da, F. (2023). Phase-shifting coder: Predicting accurate orientation in oriented object detection. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (CVPR 2023) (pp. 13354-13363). Vancouver: IEEE Computer Society.
  39. Zhu, W., & Chen, K. (2026). Real time object detection for unmanned aerial vehicles based on vision transformer and edge computing. Scientific Reports, 16, article number 6814. doi: 10.1038/s41598-026-37938-5.
Berkovskyi, D., & Artomova, A. (2026). Application of computer vision for target detection in multi-level military reconnaissance systems: Literature review. Journal of Kryvyi Rih National University, 24(1), 107-119. https://doi.org/10.31721/2306-5451-2026-1-24-107-119
uk