Разработка методов обнаружения, анализа и моделирования тактических сцен и их реализация тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Хельвас Александр Валериевич

• Хельвас Александр Валериевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Хельвас Александр Валериевич

Введение

Глава 1. Существующие подходы к анализу тактических сцен

1.1 Формализация понятия тактическая сцена

1.2 Существующие подходы к представлению движения участников тактической сцены

1.3 Моделирование тактических сцен в игровых видах спорта

1.4 Моделирование тактических сцен при планировании военных операций

1.5 Существующие подходы к анализу и распознаванию тактических сцен

1.6 Существующие подходы к представлению участников тактических сцен

1.7 Анализ тактических ситуаций на основе формального подхода

1.7.1 Применение солвера ALLOY для анализа тактических ситуаций

1.7.2 Примерение генеративных и больших языковых моделей

для анализа тактических ситуаций

1.8 Существующие подходы к представлению участников тактических сцен в виде анимированных объектов - аватаров

1.9 Выводы по главе

Глава 2. Формирование векторного представления для

описания участников тактических сцен

2.1 Формализация постановки задачи

2.2 Разработка формата описания тактической сцены

2.2.1 Основные объекты тактической сцены

2.2.2 Структурированное описание тактической сцены

2.3 Частный случай тактических ситуаций - роевые структуры

2.4 Выводы по второй главе

Глава 3. Решение обратной задачи восстановления

изображения трехмерой сцены

3.1 Описание метода формирования векторного представления

сцены содержащей большое количество людей в движении

3.1.1 Предварительная обработка видео

3.1.2 Выделение фонового изображения

3.1.3 Обнаружение и оценка поз людей

3.1.4 Расчет параметра "цвет"для частей тела

3.1.5 Создание графического представления сцены

3.2 Метод отслеживания поз участников тактической сцены, основанный на поиске сопоставления в двудольном графе

3.2.1 Постановка задачи отслеживания поз участников тактической сцены

3.2.2 Решение задачи отслеживания поз участников тактической сцены

3.2.3 Формирование скелетной модели отдельного участника тактической сцены

3.2.4 Сопоставление и обновление траекторий

3.2.5 Вычислительные эксперименты по отслеживанию

сложных векторных участников тактической сцены

3.3 Выводы по главе

Глава 4. Реидентификация участников тактических сцен при

анализе видео высокого разрешения

4.1 Описание исходных массивов данных

4.2 Описание выбора модели реидентификации

4.3 Интерпретации векторных представлений, полученных при помощи нейронной сети

4.4 Выводы по главе

Глава 5. Применение формальных методов при анализе

тактических ситуаций

5.1 Пример применения формально логического подхода на примере

обобщенной задачи Эйнштейна

5.2 Анализ паводковой ситуации, образующей угрозу для гидротехнического узла (ГТУ) на основе формально

логического подхода

5.3 Выводы по главе

5.4 OWL модель описания тактической ситуации на акватории

Глава 6. Определение тактических ситуаций в спорте

6.1 Определение тактических ситуаций в спортивных играх

6.1.1 Количество тактико технических действий в единицу времени

6.1.2 Процент выигранных единоборств

6.2 Определение тактических ситуаций для индивидуальной гонки

на велотреке

6.3 Выводы по главе

Глава 7. Распознавание ситуации при восстановительном ремонте участка автомобильной дороги при

непрерывном воздействии

7.1 Формализованная постановка задачи

7.2 Описание выбранных метрик

7.3 Описание выходных данных

7.4 Описание модели

7.5 Результаты моделирования

7.6 Выводы по главе

Заключение

Список сокращений и условных обозначений

Словарь терминов

Список литературы

Введение диссертации (часть автореферата) на тему «Разработка методов обнаружения, анализа и моделирования тактических сцен и их реализация»

Введение

Развитие военного дела имеет многотысячелетнюю историю. Понятия тактики, оперативного искусства и стратегии являлись предметом множества исследований. В этих работах было введено понятие тактической сцены. В настоящей работе мы будем под тактической сценой мы будем понимать совокупность сил и средств, расположенным в пространстве и времени по некоторому единому замыслу для достижения множества целей и решения некоторого набора задач. Такая задача упоминается практически во всех военных исследованиях, начиная с трактата Сунь Цзы "Искусство войны" и классических древнегреческих и древнеримских тактических трактатов.

Если из Древнего Китая перенестись в современные военные училища и академии, то хорошим источником информации является учебник профессора И.Н.Воробьева "Тактика - искусство боя" — "Общевойсковая ордена Жукова академия Вооруженных Сил Российской Федерации". Кафедра тактики, 2002, являющийся эталонным учебным пособием Вооруженных Сил Российской Федерации.

Для различных целей оценка ситуации реализуется с помощью различных подходов и методов. Осведомленность о ситуации — это обнаружение и измерение параметров в разрезе времени и пространства, понимание их значения и предсказание их состояния и значения в ближайшем будущем. В настоящее время уже не вызывает сомнения, что новые технологии в области искусственного интеллекта, могут быть использованы для разработки реальных алгоритмов обнаружения и оценки тактических ситуаций. Наиболее развитыми направлениями в области искусственного интеллекта на сегодня являются искусственные нейронные сети (ИНС) и генетические алгоритмы (ГА). Традиционно значительное место занимают экспертные системы и классические методы проверки гипотез. При этом, в современном мире понятие тактической ситуации сильно расширилось. Его применяют для анализа ситуаций на улице города, в спортивных играх, при анализе миссий по ликвидации стихийных бедствий и традиционных военных операций. В последнее время появилось значительное количество участников тактических ситуаций новых типов - беспилотных

роботизированных систем, роев и групп таких беспилотных роботизированных систем.

Такое динамичное изменение понятия "тактическая ситуация " требует системного подхода к решению задач их обнаружения, классификации и анализа. Востребованность таких решений для каждой из перечисленных областей человеческой деятельности делает задачу актуальной.

В работе предлагается комбинированный подход к анализу тактических ситуаций. Рассмотрено применение ряда различных методов и алгоритмов в единой системе анализа ситуаций с целью повышения оперативности, качества обнаружения и точности оценки метрик тактических ситуаций.

Целью данной работы является разработка и программная реализация решения для обнаружения и распознавания тактических ситуаций для широкого круга задач.

Для достижения поставленной цели необходимо было решить следующие задачи:

1. Разработать формат структурированного описания тактических сцен в виде совокупности объектов - участников тактической сцены и связей между ними.

2. Разработать модели тактических сцен и их программные реализации для формирования вектора параметров тактической ситуации.

3. Разработать метод и его программную реализацию для отслеживания векторов параметров участников тактической сцены.

4. Разработать метод и его программную реализацию для поиска тактико - технических действий в составе тактической сцены.

5. Разработать метод и его программную реализацию для обнаружения тактических ситуаций на основе анализа потока событий.

Основные положения, выносимые на защиту:

1. Формат структуры данных, обеспечивающей описание тактических сцен в виде совокупности объектов - участников тактической сцены, их структуры и множества связей между ними.

2. Методы анализа тактических сцен и их программные реализации для формирования вектора параметров тактической ситуации.

3. Метод и его программная реализация для отслеживания векторов параметров участников тактической сцены во времени.

4. Метод и его программная реализация для поиска отдельных тактико -технических действий в составе тактической сцены.

5. Метод и его программная реализация для обнаружения тактических ситуаций на основе анализа потока событий.

Научная новизна:

1. Впервые реализован комплексный подход к формальному структурированному описанию трехмерной тактической сцены с участием людей и разработана ее математическая модель.

2. Впервые предложен метод для распознавания тактических ситуаций для роевых структур, основанный на поиске паттернов поведения в составе гиперроя.

3. Впервые предложен и программно реализован алгоритм анализа тактических ситуаций с учетом векторных описаний участников сцены.

Научная и практическая значимость работы прямо связана с широким спектром задач, которые покрываются термином "тактическая ситуация". Основными направлениями применения решений являются задачи в области обороны и безопасности, спорта, транспорта и логистики.

Метод отслеживания векторов параметров участников тактической сцены позволяет повысить оперативность анализа тактических ситуаций и свести время запаздывания к единицам и десяткам секунд.

Метод обнаружения тактических ситуаций на основе анализа потока событий позволяет повысить качество обнаружения тактических сцен при решении задач оценки обстановки в интересах обороны и национальной безопасности, логистики, спорта и др.

Метод поиска тактико-технических действий в составе тактической сцены позволяет провести структурный анализ тактической сцены и восстановить ее семантическую структуру.

Степень достоверности полученных теоретических и практических результатов подтверждаются результатами математического моделирования, а также проверкой всех полученных результатов на реальных задачах из различных областей. Для исследований применялись искусственные нейронные сети и генетические алгоритмы, а также вычислительные методы и математическое моделирование. Полученные результаты находятся в соответствии с уровнем науки и техники, который может быть оценен по открытым публикациям.

Апробация работы. Основные результаты работы докладывались на: научном семинаре ИКИ РАН "Механика, управление, автоматика. Методы искусственного интеллекта в космических иследованиях."19-21 февраля 2019 года в г.Тарусе;

22-й Международной конференции "Цифровая обработка сигналов и её применение"(08РА-2020), 27-20 сентября 2020 года, ИПУ им.Трапезникова, Москва, Россия;

Международной конференции International Conference on Technology and Entrepreneurship-Virtual (ICTE-V), Bologne, Italy, 2020;

Международной конференции Intelligent Systems Conference 2020 (IntelliSys 2020), London, UK, September 2020;

Международной конференции Computing Conference 2021, London, UK, September 2021;

Международной конференции 3rd International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET), Mohammedia, Morocco, May 2023

Международной конференции 31st Telecommunications Forum TELFOR 2023, Belgrade Serbia.

4th International Conference on Electrical, Control and Instrumentation Engineering (ICECIE), Kuala Lumpur, Malaysia, 2022

6th International Scientific Conference GLOBAL IMPACT OF SPORT SCIENCE, Novi Sad, Serbia, April 11th - 13th 2024.

5th Winter IFSA Conference on Automation, Robotics & Communications for Industry 4.0/5.0 (ARCI' 2025)

Личный вклад. Решение задач диссертации, разработанные модели и алгоритмы, их программная реализация, теоретические и практические результаты, представленные в работе и выносимые на защиту, принадлежат лично автору.

Автор принимал активное участие в работах научного и прикладного характера и возглавлял ряд проектов. Автор в процессе подготовки работы руководил грантом РФФИ 19-29-09090 мк "Разработка методов и технологий анализа видеоинформации в распределенных гетерогенных системах видеонаблюдения с использованием дискретной модели наблюдаемой сцены и информации о

пространственно - временной привязке видеопотоков и файлов." 2019-2023 год (итоговый отчет принят и одобрен Фондом).

Публикации.

По теме диссертации опубликовано 19 научных работ, в том числе 4 статьи в рецензируемых научных изданиях, рекомендованных ВАК при Минобрнауки России, 14 статей в изданиях, индексируемых в международных базах данных Scopus и Web of Science.

1. Гиля - Зетинов А.А., Хельвас А.В., Панкратов К.К. Разработка алгоритма укладки паллет на полностью автоматизированном складе // Труды Московского физико-технического института. — 2019. — т. 11, 1(41). — с. 20— 30.

2. Конягин Е.К., Фокин Н.А., Хельвас А.В., Панкратов К.К. Измерение размеров коробок на ленте транспортера путем обработки видеопотока в реальном времени // Труды Московского физико-технического института. — 2019. — т. 11, 1(41). — с. 31—38.

3. Щербаков С.С., Кузнецова А.А., Беспалько А.А., Галицкий А.С., Хель-вас А.В. Программная платформа и информационная модель ситуационного центра // Труды Московского физико-технического института. — 2018. — т. 10, 4(40). — с. 98—112.

4. Хельвас А.В., Галицкий А.С. Практическое применение языка Alloy для распознавания тактических ситуаций // Труды Московского физико-технического института. — 2018. — т. 10, 4(40). — с. 87—97.

5. Хельвас А.В., Беляйкина Н.Г., Гиля-Зетинов А.А., Черникова Д.Д., Ша-бунин В.М., Япрынцев Е.О. Распознавание жестов с помощью нейронной сети и применение этого подхода для создания игровых гаджетов нового поколения // Труды Московского физико-технического института. — 2017. — т. 9, 2(34). — с. 164—175.

6. Разработка архитектуры программной AI платформы для анализа тактико-технических действий и функционального состояния футболистов в процессе игры по данным видеотрансляции / А. Хельвас [и др.] // 22-я Международная конференция Цифровая обработка сигналов и её применение -DSPA-2020 / под ред. В.Б.Зубарева. — РНТОРЭС имени А.С.Попова, 2020. — с. 652—656. — DOI: 10.1109/EnT47717.2019.9030576.

7. A.Khelvas, D.Demyanova, A.Gilya-Zetinov, E.Konyagin, R.Khafizov and R.Pashkov, "Adaptive distributed video surveillance system,"2020 International Conference on Technology and Entrepreneurship - Virtual (ICTE-V), San Jose, CA, USA, 2020, pp. 1-6, doi: 10.1109/ICTE-V50708.2020.9113774.

8. I.V. Tykhonov, M.S. Khristenko, E.A. Tsybulko, T.S. Afanasenko, A.V. Khelvas and M.V. Gantsev, "Two Approaches of Ant Colony Optimization for Sorting Center Path Finding,"2024 4th International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET), FEZ, Morocco, 2024, pp. 1-7, doi: 10.1109/IRASET60544.2024.10548427.

9. K.E. Romanova, E.A. Tsybulko, D.I. Rudenko, A.V. Khelvas, A.A. Gilya-Zetinov and I.V. Tykhonov, "High Resolution Panoramic Video Synthesis and Objects Detection on Panoramic Video,"2024 4th International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET), FEZ, Morocco, 2024, pp. 1-6, doi: 10.1109/IRASET60544.2024.10548619.

10. R.V. Pavlovich, E.A. Tsybulko, K.N. Zhigunov, A.V. Khelvas, A.A. Gilya-Zetinov and I.V. Tykhonov, "Soccer Artificial Intelligence Commentary Service on the Base of Video Analytic and Large Language Models,"2023 31st Telecommunications Forum (TELFOR), Belgrade, Serbia, 2023, pp. 1-4, doi: 10.1109/TELFOR59449.2023.10372671.

11. E.Tsybulko, K.Zhigunov, A.Khelvas, A.Bugaev, T.Afanasenko and S.Gadzhimirzaev, "Event-Driven Platform for Machine Vision Component Integration with Operation Center,"2023 3rd International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET), Mohammedia, Morocco, 2023, pp. 1-6, doi: 10.1109/IRASET57153.2023.10152991.

12. A.Gilya-Zetinov, E.Tsybulko, A.Bugaev, A.Khelvas, A.Zaitseva and R.Pashkov, "Monte-Carlo based 2D object tracking approach in high load scenes,"2022 4th International Conference on Electrical, Control and Instrumentation Engineering (ICECIE), Kuala Lumpur, Malaysia, 2022, pp. 1-10, doi: 10.1109/ICECIE55199.2022.10000290.

13. Мелешко Е.В., Афанасенко Т.С., Гаджимирзаев Ш.М., Пашков Р.А., Гиля-Зетинов А.А., Цыбулько Е.А., Зайцева А.С., Хельвас А.В. Дискретное моделирование процесса восстановительного ремонта участка дороги // Компьютерные исследования и моделирование, 2022, т. 14, № 6, с. 1255-1268

14. Khelvas A., Gilya-Zetinov A., Konyagin E., Demyanova D., Sorokin P., Khafizov R. (2021). Improved 2D Human Pose Tracking Using Optical Flow Analysis. In: Arai, K., Kapoor, S., Bhatia, R. (eds) Intelligent Systems and Applications. IntelliSys 2020. Advances in Intelligent Systems and Computing, vol 1251. Springer, Cham. https://doi.org/10.1007/978-3-030-55187-2_2

15. Sevastyanov M., Chavychelov I. , Aleksandr Khelvas A., Pavlovich R. Solution for medical rehabilitation by remote monitoring the patient's implementation of exercises set // BMC Proceedings 2024, Springer Nature, 18(11): A29 https://doi.org/10.1186/s12919-024-00297-y

16. Khelvas A.V., Pavlovich R.V. Online soccer analytics and robotic video broadcasting system // BMC Proceedings 2024, Springer Nature, 18(11): A30 https://doi.org/10.1186/s12919-024-00297-y

17. К.Н.Жигунов, Е.А.Цыбулько, А.В.Хельвас Применение событийного управления на основе Common Alerting Protocol в составе единого центра оперативного реагирования // Управление развитием крупномасштабных систем MLSD'2020 : Труды 13 международной конференции, Москва, 28-30 сентября 2020 года / - Москва: Институт проблем управления им. В.А.Трапезникова РАН, 2020. - С. 1282-1292. - DOI 10.25728/mlsd.2020.1293. - EDN WWVFMN.

18. K.Pankratov, H. Kruchkou, A. Samakhvalau, Sh. Gadzhimirzayev, R.Pashkov, D.Razhkou and A. Khelvas Digital twin of full-automated warehouse with deep storage racks // Proceedings of the 5th Winter IFSA Conference on Automation, Robotics & Communications for Industry 4.0/5.0 (ARCI' 2025). — 2025. — с. 172—177. — DOI: 10.13140/RG.2.2.13085.63208.

Получено свидетельство о государственной регистрации программ для ЭВМ №2022680385 от 31 октября 2022 года Гиля-Зетинов А.А., Хельвас А.В., Цыбулько Е.А., Данилов А.М. "Программа для сопровождения объектов в системах машинного зрения COS.TRACKER" (правообладатель АО "Центр открытых систем и высоких технологий")

Объем и структура работы. Диссертация состоит из введения, семи глав и заключения. Полный объём диссертации составляет 158 страниц с 54 рисунками и 5 таблицами. Список литературы содержит 87 наименований.

Глава 1. Существующие подходы к анализу тактических сцен 1.1 Формализация понятия тактическая сцена

Как уже было отмечено во введении, мы используем понятие "тактическая сцена" не только в военном деле. Но , несмотря на это, на протяжении всей истории военных противостояний это понятие оставалось ключевым при описании порядков размещения и взаимодействия сил и средств противостоящих сторон.

При этом исторически сложились два основных подхода к описанию тактических сцен. Первый описывает все процессы управления силами и средствами в вербальной форме в виде некоторого свода правил. К источникам, построенным по этому принципу относится трактат "Искусство войны"китайского мыслителя Сунь-Цзы [17], знаменитый труд А.В.Суворова "Наука побеждать" [18] и практически все современные воинские уставы различных стран.

Второй подход использует графические представления тактических сцен, как составной части военного искусства. Такими графическими схемами являются карты и схемы. Множество таких графических представлений приведены в в учебнике профессора И.Н.Воробьева [19].

В статье [20] рассматривается понятие осведомленности о ситуации (situation awareness - SAW). Для различных целей оценка ситуации реализуется с помощью различных подходов и методов. Осведомленность о ситуации — это обнаружение и измерение параметров в разрезе времени и пространства, понимание их значения и предсказание их состояния и значения в ближайшем будущем. В работе показано, что новые технологии в области искусственного интеллекта, могут быть использованы для разработки реальных алгоритмов обнаружения и оценки тактических ситуаций. Наиболее развитыми направлениями здесь являются искусственные нейронные сети (ИНС) и генетические алгоритмы (ГА).

В работе предлагается комбинированный подход к анализу тактической ситуации. Рассмотрено применение указанных методов в единой системе анализа ситуации с целью повышения степени достоверности распознавания.

1.2 Существующие подходы к представлению движения участников тактической сцены

Традиционным способом представления действий участников тактических операций являются схемы и карты.

На рисунке 1.1 приведен пример схемы организации доставки боеприпасов подразделениям мсб на БМП в обороне из учебника И.Н.Воробьева "Тактика -искусство боя".

Описание тактических ситуаций в традиционной для военной среды форме схемы размещения сил и средств противостоящих сторон на местности и их перемещений во времени в современном мире активно используется в других областях человеческой деятельности, связанных с управлением масштабными организационными, производственными, логистическими структурами.

Та, например, понятие "тактическая ситуация" описывает действия сил и средств МЧС по тушению пожаров, ликвидации последствий паводков и землетрясений, ликвидации иных ЧС природного и техногенного характера.

Рисунок 1.1 — Организация доставки боеприпасов подразделениям мсб на БМП в обороне (из учебника И.Н.Воробьева "Тактика - искусство боя")

На рисунке 1.2 приведен пример карты тушения пожара расчетом МЧС.

Рисунок 1.2 — Пример карты тушения пожара

1.3 Моделирование тактических сцен в игровых видах спорта

Еще одним применением тактических ситуаций стали игровые виды спорта.

Многие авторы применяют схемы для описания действия игроков при по-слеигровом анализе действий игроков.

Пример схемы атаки в футболе из книги "Философия футбола" Патрика фон Лиувена [21] приведен на рисунке 1.3.

В работе [22] большим коллективом авторов из Google Deep Mind и ФК "Ливерпуль" проанализирована возможность анализа и предсказания тактических положений и схем в футболе. В качестве основы ими взят розыгрыш углового удара. Комбинируя предсказательные и генеративные AI решения авторы предложили стройную картину использования AI тренерами команд для управления тактическими построениями при розыгрыше стандартных положений.

Рисунок 1.3 — Пример схемы атаки в футболе из книги "Философия футбола"

Патрика фон Лиувена

1.4 Моделирование тактических сцен при планировании военных

операций

Применение методов моделирования в практике подготовки и проведения военных операций имеет большую историю.

Использование моделей в практике решения военных задач варьируется от обучения уровня тактического звена до военных игр глобального масштаба.

История применения военных моделей приведена в работе профессора Raymond R Hill, Air Force Institute of Technology [23]. В работе рассказывается об истории военного моделирования, начиная с обзора настольных военных игр и заканчивая обсуждением современного мира военного моделирования, включающего аналитические и нечеткие модели, а также распределенные обучающие и аналитические среды военного применения.

В статье с его же участием [24] обсуждается использование военного моделирования, вопросы, связанные с военным моделированием, включая классификации различных типов военного моделирования.

Затем рассмотрены конкретные примеры моделей, разработанных авторами для US Air Force Institute of Technology.

Методология построения сложных иерархических имитационных моделей описана, например, в [25].

В главе 7 нами приведены результаты построения модели поддержания готовности участка дороги инженерно-дорожным подразделением. Эта модель занимает один из нижних уровней в иерархической модели армейской операции.

Тенденции использования автономных устройств, включая БПЛА, при решении военных задач в последние годы активно изучается и даже в открытой печати имеется немало обзоров и публикаций, посвященных этой теме.

В качестве хорошего популярного обзора можно отметить работу Dr. Vikram Mittal из United States Military Academy's (USMA) Department of Systems Engineering [26].

Более глубокий научный анализ приведен в другой работе академии US Military West Point [27].

Авторы провели анализ эффектов, которые автономная система оказывает при интеграции в подразделения сухопутных войск. На основе математического моделирования боевых действий были проанализированы сценарии ряда миссий для оценки влияния автономных систем на их успешность.

В рамках ограничений модели анализ подтвердил, что автономная система в целом влияет на результат миссии. Эти статистически значимые выводы подтверждают, что автономные системы должны быть интегрированы в воинские части, поскольку эти системы оказывают сильное положительное влияние на эффективность действия подразделений.

В работе [28] специалистами из Khaje Nasir Toosi University of Technology, Tehran, Iran предложена математическая модель для повышения устойчивости автотранспортных сетей на этапе восстановления. Модель включает две целевых функции. Первая целевая функция минимизирует общее время восстановления, а вторая отдает приоритет поврежденным мостам для восстановления, что обеспечивает повышения показателя готовности транспортной сети на ранней стадии выполнения работ.

В этой статье разрушенные мосты рассматриваются как ремонтные проекты и планируется сеть задач восстановления с приоритетными отношениями для восстановления каждого моста с учетом ограничений ресурсов. Таким об-

разом, это похоже на проблему планирования нескольких проектов при ограниченных ресурсах. Для решения задачи оптимального планирования предложен генетический алгоритм. Показано, что получаемый на основе генетического алгоритма план восстановления приводит к достижению наилучшей траектории восстановления и наименьшего общего времени восстановления.

В работе [29] предложен новый, основанный на принципе отказоустойчивости, подход к оптимизации планирования действий по восстановлению после аварий для транспортных сетей включающих автодорожные мосты. Подход учитывает топологию сети, ее избыточность, модель транспортных потоков, уровень повреждений и доступные силы и средства для формирования стратегии восстановления сети. Предложены две метрики для измерения скорости и эффективности восстановления сети: общее время восстановления (TRT) и перекос траектории восстановления (SRT). TRT - это время, необходимое для восстановления сети до исходного уровня функциональности, в то время как SRT - это предложенная авторами метрика для определения характеристик траектории восстановления. На основе этой двумерной метрики предложен метод планирования восстановления после аварий для транспортных сетей. Для решения задачи оптимизации графика восстановления для гипотетической мостовой сети с 30 узлами и 37 мостами, подвергнутых сценарному сейсмическому воздействию, авторами использован генетический алгоритм.

В работе сотрудников Department of Civil and Environmental Engineering Lehigh University [30] рассмотрены различные подходы к планированию восстановительных работ на сетевой инфраструктуре, разрушенной в результате стихийного бедствия.

В работе [31] предложена и проанализирована модель восстановления дорожной сети, основанная на отказоустойчивости. Оптимальная стратегия восстановления для дорожных сетей должна планировать ремонтные работы при ограниченных ресурсах. Авторами показано, что оптимальный график восстановления, формируемый предложенной моделью, представляет собой компромисс между совокупной потерей производительности и скоростью восстановления.

В обзорах [32—34] приведены основные кейсы применения ИИ и систем связи нового поколения к тактическим задачам в военной сфере. Мы объедини-

ли информацию по доменам применения ИИ и средств связи нового поколения из этих обзоров в одну таблицу 1.

В Стратегии НАТО по ИИ [35] определены основные принципы применения ИИ в военной сфере. При этом основным применением ИИ является оценка ситуации по иерархии от тактического звена до стратегического анализа на уровне армия - фронт.

Одно из наиболее перспективных военных применений ИИ заключается в его использовании для планирования и проведения операций беспилотных летательных аппаратов. Такие рои БпЛА намного эффективнее при выполнении военных миссий одиночных дронов по нескольким причинам. БпЛА может действовать в соответствии с индивидуальным планом действий или передавать ее другим БпЛА в рое. Эти рои кроме непосредственного участия в боевых действиях могут использоваться в симуляциях, а также в учебных операциях и обладают способностью принимать решения в различных тактических ситуациях.

Одно из главных преимуществ искусственного интеллекта в вооруженных силах заключается в том, что алгоритмы искусственного интеллекта способны собирать и обрабатывать данные из множества различных источников, чтобы помочь в принятии решений, особенно при оценке ситуаций и планировании действий сил и средств. Во многих случаях системы искусственного интеллекта могут анализировать ситуацию и принимать наилучшее решение существенно быстрее и точнее традиционных штабов и командиров. Генеративный ИИ может способствовать процессу принятия решений в военных условиях. При быстрой сортировке больших объемов данных генеративные модели могут показывать связи, закономерности и потенциальные последствия, на поиск которых у человека ушло бы больше времени. Эта информация может быть представлена лицам, принимающим решения, не только в виде отчетов, но и в диалоговом формате, что облегчает сотрудничество человека и ИИ. ИИ также может создавать симуляции для проверки возможных сценариев, что позволяет принимать более обоснованные решения.

При тщательном наблюдении со стороны человека генеративный искусственный интеллект обладает огромным потенциалом для улучшения тактического, оперативного и стратегического мышления военачальников.

Таблица 1 — Основные кейсы применения связи нового поколения и ИИ к тактическим задачам в военной сфере

UC1 Combat Search and Rescue (CSAR) Боевой поиск и спасение (СЭЛЯ) IoT, Edge Computing

UC2 Medical Evacuation (MEDEVAC) Медицинская эвакуация (МЕЭЕУЛС) IoT, Wearables, LLM/RAG, CAP

UC3 Common Tactical Voice Service Virtualization Виртуализация обычных переговоров Network slicing, LLM/RAG

UC4 Electronic warfare Война в киберпространстве Blockchain, Semantic Communications,LLM/RAG, CAP, AI-native interface, RIS, SDR.

UC5 Troop Training Боевая подготовка и обучение Wearables, Tactile Internet, AI-native interface, LLM/RAG, CAP

UC6 Situational Awareness Осведомленность об обстановке SDR, AI-native interface, Neuromorphic processors, JSC, LLM/RAG,GAN, CAP

UC7 Military logistics Военно логистические задачи IoT, Tactical Internet, AI-native interface, Neuromorphic processors, AI4GRAPH, LLM/RAG, CAP

UC8 Fire Control/Support Управление огнем IoT, LLM/RAG, CAP

UC9 Military Intelligence Операции военной разведки Operations Trusted Computing, SDN, Blockchain, Network slicing, LLM/RAG, CAP

UC10 Command and Control Post Работа командных пунктов Trusted Computing, Network slicing, Neuromorphic processors, LLM/RAG, CAP

1.5 Существующие подходы к анализу и распознаванию

тактических сцен

В работе [36] канадская группа исследователней из Универститета Альберта представила решение для поиска контекстных ошибок в играх-симуляторах на основе нейросети CLIP, включающей два канала -энкодера, превращающих текст или изображение в компактное векторное представление этих данных. Нейросеть CLIP позволяет качественно связывать визуальное и текстовое представление очень многих предметов и явлений.

Список литературы диссертационного исследования кандидат наук Хельвас Александр Валериевич, 2025 год

Список литературы

1. Adaptive distributed video surveillance system / A. V. Khelvas [и др.] // 2020 International Conference on Technology and Entrepreneurship (ICTE) (ICTE 2020). — Bologna, Italy, 04.2020. — DOI: 10.1109/ICTE-V50708.2020.9113774.

2. Разработка архитектуры программной AI платформы для анализа тактико-технических действий и функционального состояния футболистов в процессе игры по данным видеотрансляции / А. Хельвас [и др.] // 22-я Международная конференция Цифровая обработка сигналов и её применение - DSPA-2020 / под ред. В.Б.Зубарева. — РНТОРЭС имени А.С. Попова, 2020. — с. 652—656. — DOI: 10.1109/EnT47717.2019.9030576.

3. High Resolution Panoramic Video Synthesis and Objects Detection on Panoramic Video / K. E. Romanova [и др.] // 2024 4th International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET). — 2024. — с. 1—6. — DOI: 10.1109/IRASET60544. 2024.10548619.

4. Digital twin of full-automated warehouse with deep storage racks / K. Pankratov [и др.] // Proceedings of the 5th Winter IFSA Conference on Automation, Robotics & Communications for Industry 4.0/5.0 (ARCI' 2025). — 2025. — с. 172—177. — DOI: 10.13140/RG.2.2.13085.63208.

5. Two Approaches of Ant Colony Optimization for Sorting Center Path Finding / I. V. Tykhonov [и др.] // 2024 4th International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET). — 2024. — с. 1—7. — DOI: 10.1109/IRASET60544.2024.10548427.

6. High-Speed Multi-person Tracking Method Using Bipartite Matching / A. Gilya-Zetinov [и др.] // Intelligent Computing / под ред. K. Arai. — Cham : Springer International Publishing, 2022. — с. 793—809. — ISBN 978-3-030-80119-9.

7. Humans Digital Avatar Reconstruction for Tactical Situations Animation / I. Zuev [и др.] // Intelligent Computing / под ред. K. Arai. — Cham : Springer International Publishing, 2022. — с. 634—644. — ISBN 978-3-030-80119-9.

8. Хельвас А., Лагутенко А., Кузнецова А. Адаптивная экспертная система для поиска неисправностей авиационной техники. // Сборник трудов МФТИ. — М.:МФТИ, 2015. — с. 66—80.

9. Хельвас А., Минченков М., Юрин Д. Алгоритм автоматической сегментации изображений для систем технического зрения // Обработка информации и моделирование. — М.:МФТИ, 2002. — с. 66—80. — DOI: http:// imaging.cs.msu.su/pub/2002.mipt\_ipm.Yurin\_Mintchenkov.RSEG.ru.pdf.

10. Хельвас А., Минченков М., Юрин Д. Алгоритм автоматической сегментации изображений на основе релеевского детектора границ двумерных объектов // Труды 12-й Международной конференции по компьютерной графике и зрению ГрафиКон'2002. — Нижний Новгород, 2002. — с. 243—250. — (GraphiCon). — DOI: http://www.graphicon.ru/2002/pdf/Mintchenkov\_Re. pdf.

11. Хельвас А., Непомнящий П., Юрин Д. Обнаружение уголковых структур на контурных изображениях полученных сегментацией растра // Обработка информации и моделирование. — М.:МФТИ, 2002. — с. 44—53. — DOI: http: / / imaging. cs. msu. su / pub / 2002. mipt \ _ipm. Yurin \ _Nepomnyashy. CornerDetector.ru.pdf.

12. Хельвас А., Непомнящий П., Юрин Д. Универсальный алгоритм перерастрирования изображений с автоматическим выбором оптимального способа аппроксимации // Обработка информации и моделирование. — М.:МФТИ, 2002. — с. 54—65. — DOI: http://imaging.cs.msu.su/pub/2002. mipt\_ipm.Yurin\_Nepomnyashy.MapProjector.ru.pdf.

13. Хельвас А. В., Конягин Е. К., Фокин Н. А. Измерение размеров коробок на ленте транспортера путем обработки видеопотока в реальном времени // Труды 61-й Всероссийской научной конференции МФТИ. 19-25 ноября 2018 года. Электроника, фотоника и молекулярная физика. — М.:МФТИ, 2018. — с. 197—199.

14. Gilya-Zetinov A., Demianova D., Khelvas A. Palletizing for Full-automated Warehouses on the Genetics Algorithm Base // International Conference on Engineering and Telecommunication (EnT) Proceedings / под ред. 2. I. C. on Engineering, T. (EnT). — IEEE, 2019. — с. 1—5. — DOI: 10.1109/EnT47717. 2019.9030576.

15. Optimization of the Swarm of Robots Routing for the Sorting Center / Khelvas, Aleksandr [и др.] // E3S Web of Conf. — 2023. — т. 469. — с. 00093. — DOI: 10. 1051 /e3sconf/202346900093. — URL: https://doi.org/10.1051/e3sconf/ 202346900093.

16. Дискретное моделирование процесса восстановительного ремонта участка дороги / Е. Мелешко [и др.] // Компьютерные исследования и моделирование. — 2022. — т. 14. — с. 1255—1268. — DOI: https://doi.org/10.20537/2076-7633-2022-14-6-1255-1268. — URL: https://doi.org/10.20537/2076-7633-2022-14-6-1255-1268.

17. Цзы С. Искусство войны. — Эксмо, 2020. — с. 432.

18. Суворов А. Наука побеждать. — Сенатская типография, 1795.

19. И.Н.Воробьев. Тактика - искусство боя. — Общевойсковая академия вооруженных сил РФ им. М. В. Фрунзе. Кафедра тактики, 2002. — с. 863. — URL: https://soldat.pro/wp-content/uploads/Uchebnik_Vorobyev_taktika.pdf.

20. Combined approach to tactical situations analysis / V. V. Popovich [и др.] // MILCOM 2008 - 2008 IEEE Military Communications Conference. — 2008. — с. 1—7. — DOI: 10.1109/MILCOM.2008.4753518.

21. Лиувен П. фон. Философия футбола. — М: Издать книгу, 2013. — с. 322.

22. TacticAI: an AI assistant for football tactics / Z. Wang [и др.] // Nature Communications. — 2024. — март. — т. 15. — DOI: 10.1038/s41467-024-45965-x.

23. Hill R. R., Tolk A. A History of Military Computer Simulation // Advances in Modeling and Simulation: Seminal Research from 50 Years of Winter Simulation Conferences / под ред. A. Tolk [и др.]. — Cham : Springer International Publishing, 2017. — с. 277—299. — ISBN 978-3-319-64182-9. — DOI: 10.1007/978-3-319-64182-9_13. — URL: https://doi.org/10.1007/978-3-319-64182-9_13.

24. Hill R., Miller J., Mcintyre G. Applications of discrete event simulation modeling to military problems //. — 02.2001. — 780—788 vol.1. — ISBN 0-7803-7307-3. — DOI: 10.1109/WSC.2001.977367.

25. Methodologies for aggregating large hierarchical simulation models / J. Rodriguez [h gp.] // Proc SPIE. — 2008. — anp. — t. 6965. — DOI: 10.1117/ 12.776702.

26. Ryan T, Mittal V. Potential for Army Integration of Autonomous Systems by Warfighting Function // Military Review. — 2019. — t. 99(5). — c. 122—133.

27. Kelley J., Mittal V. Integrating Autonomous Systems into Military Units // Industrial and Systems Engineering Review. — 2020. — t. 8(1). — c. 59—67. — DOI: 10.37266/ISER.2020v8i1.pp59-67.

28. Somy S., Shafaei R., Ramezanian R. Resilience-based mathematical model to restore disrupted road-bridge transportation networks // Structure and Infrastructure Engineering. — 2021. — t. 1. — c. 1—16. — DOI: 10.1080/ 15732479.2021.1906711. — eprint: https://doi.org/10.1080/15732479.2021. 1906711. — URL: https://doi.org/10.1080/15732479.2021.1906711.

29. Zhang W., Wang N., Nicholson C. Resilience-based post-disaster recovery strategies for road-bridge networks // Structure and Infrastructure Engineering. — 2017. — t. 13, № 11. — c. 1404—1413. — DOI: 10.1080/15732479. 2016.1271813. — eprint: https://doi.org/10.1080/15732479.2016.1271813. — URL: https://doi.org/10.1080/15732479.2016.1271813.

30. Sun W, Bocchini P., Davison B. Comparing decision models for disaster restoration of interdependent infrastructures under uncertainty //. 13th International Conference on Applications of Statistics and Probability in Civil Engineering, ICASP13. — 05.2019. — c. 102—116. — DOI: 10.22725/ICASP13. 238.

31. Resilience-Based Restoration Model for Supply Chain Networks / M. Xinhua [h gp.] // Mathematics. — 2020. — hhb. — t. 8. — c. 163. — DOI: 10.3390/ math8020163.

32. Baeza V. M., Salor L. C. New horizons in tactical communications: An overview of emerging technologies possibilities // IEEE Potentials. — 2024. — hhb. — t. 43, № 1. — c. 12—19. — DOI: 10.1109/mpot.2023.3297326. — URL: https://doi.org/10.1109/mpot.2023.3297326.

33. Bistron M., Piotrowski Z. Artificial Intelligence Applications in Military Systems and Their Influence on Sense of Security of Citizens // Electronics. —

2021. — т. 10, № 7. — DOI: 10.3390/electronics10070871. — URL: https: //www.mdpi.com/2079-9292/10/7/871.

34. Szabadfoldi I. Artificial Intelligence in Military Application - Opportunities and Challenges // Land Forces Academy Review. — 2021. — июнь. — т. 26. — с. 157—165. — DOI: 10.2478/raft-2021-0022.

35. Stanley-Lockman E. H. C. An Artificial Intelligence Strategy for NATO // NATO Review. — 2021. — т. 10. — URL: https://www.nato.int/docu/review/ articles/2021/10/25/an-artificial-intelligence-strategy-for-nato/index.html.

36. Taesiri M. R., Macklon F., Bezemer C.-P. CLIP meets GamePhysics: Towards bug identification in gameplay videos using zero-shot transfer learning. —

2022. — DOI: 10.48550/ARXIV.2203.11096. — URL: https://arxiv.org/ abs/2203.11096.

37. Yannakakis G. N., Togelius J. Artificial Intelligence and Games. — 1st. — Springer Publishing Company, Incorporated, 2018. — ISBN 3319635182.

38. Scott B., Michell A. Enhancing Situational Understanding through Integration of Artificial Intelligence in Tactical Headquarters // Military Review. — 2022. — т. 102, № 6. — с. 74—83. — URL: https://www.armyupress.army.mil/ Journals / Military- Review / English- Edition- Archives / November- December-2022/Scott/.

39. A Survey on Model Based Approaches for 2D and 3D Visual Human Pose Recovery / X. Perez-Sala [и др.] // Sensors. — 2014. — т. 14, № 3. — с. 4189— 4210. — DOI: 10.3390/s140304189. — URL: https://www.mdpi.com/1424-8220/14/3/4189.

40. Groza A. Einstein Puzzles // Modelling Puzzles in First Order Logic. — Cham : Springer International Publishing, 2021. — с. 103—130. — ISBN 978-3-030-62547-4. — DOI: 10.1007/978-3-030-62547-4_6. — URL: https: //doi.org/10.1007/978-3-030-62547-4_6.

41. Gregor M., Zabovska K., Smatanik V. The zebra puzzle and getting to know your tools // 2015 IEEE 19th International Conference on Intelligent

Engineering Systems (INES). — 2015. — с. 159—164. — DOI: 10.1109/INES. 2015.7329698.

42. Goliney I. Solving zebra puzzle with Boolean algebra. — 07.2015. — DOI: 10.13140/RG.2.1.1645.6807.

43. Jackson D. Dependable Software by Design // Scientific American. — 2006. — июль. — т. 294. — с. 68—75. — DOI: 10.1038/scientificamerican0606-68.

44. Towards a Formal Foundation of Web Security / D. Akhawe [и др.] // 2010 23rd IEEE Computer Security Foundations Symposium. — 2010. — с. 290— 304. — DOI: 10.1109/CSF.2010.27.

45. Dennis G. TSAFE: Building a trusted computing base for air traffic control software / MIT. — 2003.

46. Formalizing train control language: automating analysis of train stations / A. Svendsen [и др.] // Proceedings of 12th International Conference on Computer System Design and Operation in the Railway and other Transit Systems. — 08.2010. — с. 245—256. — ISBN 9781845644680. — DOI: 10.2495/CR100241.

47. Jackson D. Alloy: a language and tool for exploring software designs // Commun. ACM. — New York, NY, USA, 2019. — авг. — т. 62, № 9. — с. 66— 76. — DOI: 10.1145/3338843. — URL: https://doi.org/10.1145/3338843.

48. Berman S., McKeown K., Ray B. Solving Zebra Puzzles Using Constraint-Guided Multi-Agent Systems. — 2024. — arXiv: 2407.03956 [cs.MA]. — URL: https://arxiv.org/abs/2407.03956.

49. Yang X., Chen B., Tam Y.-C. Arithmetic Reasoning with LLM: Prolog Generation & Permutation. — 2024. — arXiv: 2405.17893 [cs.CL]. — URL: https://arxiv.org/abs/2405.17893.

50. Executable Code Actions Elicit Better LLM Agents / X. Wang [и др.]. — 2024. — arXiv: 2402.01030 [cs.CL]. — URL: https://arxiv.org/abs/2402. 01030.

51. Kingma D. P., Welling M. Auto-Encoding Variational Bayes. // ICLR / под ред. Y. Bengio, Y. LeCun. — 2014. — URL: http://dblp.uni-trier.de/db/conf/ iclr/iclr2014.html.

52. Guler R. A., Neverova N., Kokkinos I. DensePose: Dense Human Pose Estimation in the Wild // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 06.2018.

53. Soft-Gated Warping-GAN for Pose-Guided Person Image Synthesis / H. Dong [и др.] // Proceedings of the 32nd International Conference on Neural Information Processing Systems. — Montreal, Canada : Curran Associates Inc., 2018. — с. 472—482. — (NIPS'18).

54. Цыбулько Е., Хельвас А., Жигунов К. Применение событийного управления на основе Common Alerting Protocol в составе Единого центра оперативного реагирования // Управление развитием крупномасштабных систем (MLSD'2020) : труды Тринадцатой Международной конференции, 28-30 сентября 2020 г. — Москва : ИПУ РАН : Институт проблем управления им. В.А. Трапезникова РАН, Минобрнауки России., 2020. — с. 1282— 1292. — ISBN 978-5-91450-252-9. — DOI: 10.25728/mlsd.2020.1282.

55. Ben-Kiki O, Evans C., Ingerson B. YAML Ain't Markup Language (YAML) (tm) Version 1.2 : тех. отч. / YAML.org. — 09.2009. — URL: http://www. yaml.org/spec/1.2/spec.html.

56. Bretto A. Hypergraph Theory: An Introduction. — Springer Publishing Company, Incorporated, 2013. — ISBN 3319000799.

57. Ouvrard X. Hypergraphs: an introduction and review. — 2020. — arXiv: 2002. 05014 [cs.DM]. — URL: https://arxiv.org/abs/2002.05014.

58. Detectron2 / Y. Wu [и др.]. — 2019. — https://github.com/facebookresearch/ detectron2.

59. OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields / Z. Cao [и др.] // CoRR. — 2018. — т. abs/1812.08008. — arXiv: 1812.08008. — URL: http://arxiv.org/abs/1812.08008.

60. Microsoft COCO: Common Objects in Context / T.-Y. Lin [и др.]. — 2015. — arXiv: 1405.0312 [cs.CV].

61. Array programming with NumPy / C. R. Harris [и др.] // Nature. — 2020. — сент. — т. 585, № 7825. — с. 357—362. — DOI: 10.1038/s41586-020-2649-2. — URL: https://doi.org/10.1038/s41586-020-2649-2.

62. Mackiewicz A., Ratajczak W. Principal components analysis (PCA) // Computers & Geosciences. — 1993. — t. 19, № 3. — c. 303—342. — DOI: https://doi.org/10.1016/0098-3004(93) 90090-R. — URL: http://www. sciencedirect.com/science/article/pii/009830049390090R.

63. Mask r-cnn / K. He [h gp.] // Proceedings of the IEEE international conference on computer vision. — 2017. — c. 2961—2969.

64. Multiple object tracking: A literature review / W. Luo [h gp.] // arXiv preprint arXiv:1409.7618. — 2014.

65. MOT16: A benchmark for multi-object tracking / A. Milan [h gp.] // arXiv preprint arXiv:1603.00831. — 2016.

66. Iqbal U, Milan A., Gall J. Posetrack: Joint multi-person pose estimation and tracking // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2017. — c. 2011—2020.

67. 15 Keypoints Is All You Need / M. Snower [h gp.] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. — 2020. — c. 6738—6748.

68. Bochinski E., Eiselein V., Sikora T. High-speed tracking-by-detection without using image information // 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). — IEEE. 2017. — c. 1— 6.

69. Detect-and-track: Efficient pose estimation in videos / R. Girdhar [h gp.] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2018. — c. 350—359.

70. Wen S.-Y., Yen Y, Chen A. Y. Human tracking for facility surveillance // Science and Information Conference. — Springer. 2019. — c. 329—338.

71. Ning G., Pei J., Huang H. Lighttrack: A generic framework for online top-down human pose tracking // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. — 2020. — c. 1034— 1035.

72. Posetrack: A benchmark for human pose estimation and tracking / M. Andriluka [h gp.] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2018. — c. 5167—5176.

73. Efficient online multi-person 2d pose tracking with recurrent spatio-temporal affinity fields / Y. Raaj [h gp.] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. — 2019. — c. 4620—4628.

74. Simple, efficient and effective keypoint tracking / R. Girdhar [h gp.] // ICCV PoseTrack Workshop. — 2017.

75. Yang Y, Ramanan D. Articulated human detection with flexible mixtures of parts // IEEE transactions on pattern analysis and machine intelligence. — 2012. — t. 35, № 12. — c. 2878—2890.

76. Wang M., Tighe J., Modolo D. Combining detection and tracking for human pose estimation in videos // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. — 2020. — c. 11088—11096.

77. Ramshaw L, Tarjan R. E. On minimum-cost assignments in unbalanced bipartite graphs // HP Labs, Palo Alto, CA, USA, Tech. Rep. HPL-2012-40R1. — 2012.

78. Real-Time Obstacle Detection with YOLOv8 in a WSN Using UAV Aerial Photography / S. Rahman [h gp.] // Journal of Imaging. — 2023. — t. 9, № 10. — DOI: 10.3390/jimaging9100216. — URL: https://www.mdpi.com/2313-433X/9/10/216.

79. Panoptic Studio: A Massively Multiview System for Social Motion Capture / H. Joo [h gp.] // Proceedings of the IEEE International Conference on Computer Vision (ICCV). — 12.2015.

80. Zheng L, Yang Y, Hauptmann A. G. Person Re-identification: Past, Present and Future // CoRR. — 2016. — t. abs/1610.02984. — arXiv: 1610.02984. — URL: http://arxiv.org/abs/1610.02984.

81. Re-ID done right: towards good practices for person re-identification / J. Almazan [h gp.] // CoRR. — 2018. — t. abs/1801.05339. — arXiv: 1801. 05339. — URL: http://arxiv.org/abs/1801.05339.

82. Identity-Aware Textual-Visual Matching with Latent Co-attention / S. Li [h gp.] // CoRR. — 2017. — t. abs/1708.01988. — arXiv: 1708.01988. — URL: http://arxiv.org/abs/1708.01988.

83. High-Speed Multi-person Tracking Method Using Bipartite Matching / A. Gilya-Zetinov [h gp.] //. — 01.2022. — c. 793—809. — ISBN 978-3-030-80118-2. — DOI: 10.1007/978-3-030-80119-9_51.

84. Scalable Person Re-identification: A Benchmark / L. Zheng [h gp.] // Computer Vision, IEEE International Conference on. — 2015.

85. Performance Measures and a Data Set for Multi-Target, Multi-Camera Tracking / E. Ristani [h gp.] // European Conference on Computer Vision workshop on Benchmarking Multi-Target Tracking. — 2016.

86. On the Unreasonable Effectiveness of Centroids in Image Retrieval | Papers With Code. — 2023. — URL: https://paperswithcode.com/paper/on-the-unreasonable-effectiveness-of-1%5C#results.

87. Smith L. I. A tutorial on principal components analysis. — 2002. — ^eBp. — URL: http: / / www. cs. otago. ac. nz / cosc453 / student _ tutorials / principal _ components.pdf.