Potential Uses of Artificial Intelligence to Support Image Reconnaissance Operations
A Technology Overview
Copyright (c) 2025 Hammas Attila, Négyesi Imre
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Abstract
In the information age, often referred to as the era of the digital revolution, the collection and the processing of data is an essential capability in both civilian and military environments. Thanks to the rapid development of technology, the intertwining of machine learning and remote sensing provides us with many opportunities, especially in the areas of information collection, processing and interpretation. The importance of effective management and use of information is unquestionable - information is the cornerstone of strategic decisions in many areas. The article will examine the opportunities provided by technology.
Keywords:
How to Cite
References
A hibrid háború korszakába léptünk: de mit is jelent ez? B COOL Magazin, 2022. április 22. Online: https://bcoolmagazin.hu/a-hibrid-haboru-korszakaba-leptunk-de-mit-is-jelent-ez/
ALHASHIM, Ibraheem – WONKA, Peter (2019): High Quality Monocular Depth Estimation via Transfer Learning. ArXiv, 2019. március 10. Online: https://doi.org/10.48550/arXiv.1812.11941
ALOM, Md Zahangir et al. (2018): The History Began from AlexNet: A Comprehensive Survey on Deep Learning Approaches. ArXiv, 2018. szeptember 13. Online: https://doi.org/10.48550/ARXIV.1803.01164
Andrej Karpathy [é. n.]. Online: https://karpathy.ai/
BODA Mihály (2023): A proxyháború filozófiai és etikai megközelítésben. Honvédségi Szemle, 151(6), 27–39. Online: https://doi.org/10.35926/HSZ.2023.6.3
BODA Mihály (2024): A kockázatkerülő háború és a bátorság a 20–21. század fordulóján. Honvédségi Szemle, 152(3), 113–125. Online: https://doi.org/10.35926/HSZ.2024.3.9
BRASSAI Sándor Tihamér (2019): Neurális hálózatok és fuzzy logika. Kolozsvár: Scientia Kiadó.
DENG, Jia et al. (2009): ImageNet: A Large-Scale Hierarchical Image Database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition. 248–255. Online: https://doi.org/10.1109/CVPR.2009.5206848
DU, Dawei et al. (2018): The Unmanned Aerial Vehicle Benchmark: Object Detection and Tracking. ArXiv, 2018. március 26. Online: https://doi.org/10.48550/arXiv.1804.00518
ERDÉSZ Viktor (2023): Milyen lehetőségeket hoz az új technológiák elterjedése a felderítés számára? In KOVÁCS Zoltán (szerk.): A mesterséges intelligencia és egyéb felforgató technológiák hatásainak átfogó vizsgálata. Budapest: Katonai Nemzetbiztonsági Szolgálat, 440–465.
EVERINGHAM, Mark et al. (2010): The Pascal Visual Object Classes (VOC) Challenge. International Journal of Computer Vision, 88, 303–338. Online: https://doi.org/10.1007/s11263-009-0275-4
GIRSHICK, Ross et al. (2013): Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. ArXiv, 2013. november 11. Online: https://doi.org/10.48550/ARXIV.1311.2524
HAIG Zsolt et al. (2014): Elektronikai hadviselés. Budapest: Nemzeti Közszolgálati Egyetem.
HAIG Zsolt – VÁRHEGYI István (2005): Hadviselés az információs hadszíntéren. Budapest: Zrínyi Kiadó.
HE, Kaiming et al. (2018): Mask R-CNN. ArXiv, 2018. január 24. Online: https://doi.org/10.48550/arXiv.1703.06870
HEAKL, Ahmed et al. (2024): DroneVis: Versatile Computer Vision Library for Drones. ArXiv, 2024. június 1. Online: https://doi.org/10.48550/arXiv.2406.00447
HUANG, Huimin et al. (2020): UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation. ArXiv, 2020. április 19. Online: https://doi.org/10.48550/arXiv.2004.08790
HUSSAIN, Syed Muhammad Fasih – HAMZA, Syed Muhammad – SAMAD, Abdul (2022): Image Segmentation for Autonomous Driving Using U-Net Inception. 2022 7th International Conference on Signal and Image Processing (ICSIP). 426–429. Online: https://doi.org/10.1109/ICSIP55141.2022.9885809
KONRÁD György (1963): A korszerű háború korszerűtlensége I. Valóság, 6(6), 16–30.
LI, Fei-Fei – ADELI, Ehsan (2024): CS231n: Deep Learning for ComputerVision. Online: https://cs231n.stanford.edu/slides/2024/lecture_1_part_2.pdf
LIN, Tsung-Yi et al. (2014): Microsoft COCO: Common Objects in Context. In FLEET, David et al. (szerk.): Computer Vision – ECCV 2014. Cham: Springer, 740–455. Online: https://doi.org/10.1007/978-3-319-10602-1_48
LONG, Jonathan – SHELHAMER, Evan – DARRELL, Trevor (2015): Fully Convolutional Networks for Semantic Segmentation. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 3431–3440. Online: https://doi.org/10.1109/CVPR.2015.7298965
MA, Jun et al. (2022): AbdomenCT-1K: Is Abdominal Organ Segmentation a Solved Problem? IEEE Transactions on Pattern Analysis and Machine Intelligence, 44(10), 6695–6714. Online: https://doi.org/10.1109/TPAMI.2021.3100536
NÉGYESI Imre (2023): A mesterséges intelligencia társadalmi és etikai kérdései. Honvédségi Szemle, 151(4), 6–18. Online: https://doi.org/10.35926/HSZ.2023.4.1
NÉMETH András – VIRÁGH Krisztián (2022a): Mesterséges intelligencia és haderő – A mesterséges intelligencia fejlődéstörténete I. rész. Haditechnika, 56(1), 17–22. Online: https://doi.org/10.23713/HT.56.1.03
NÉMETH András – VIRÁGH Krisztián (2022b): Mesterséges intelligencia és haderő – A mesterséges intelligencia fejlődéstörténete II. rész. Haditechnika, 56(2), 2–6. Online: https://doi.org/10.23713/HT.56.2.01
NÉMETH András – VIRÁGH Krisztián (2022c): Mesterséges intelligencia és haderő – Polgári alkalmazási lehetőségek V. rész. Haditechnika, 56(5), 2–7. Online: https://doi.org/10.23713/HT.56.5.01
NÉMETH András – VIRÁGH Krisztián (2022d): Mesterséges intelligencia és haderő VI. rész – További polgári alkalmazási lehetőségek. Haditechnika, 56(6), 2–7. Online: https://doi.org/10.23713/HT.56.6.01
NÉMETH András – VIRÁGH Krisztián (2023): Mesterséges intelligencia és haderő VII. Rész – Katonai alkalmazási lehetőségek. Haditechnika, 57(1), 2–6. Online: https://doi.org/10.23713/HT.57.1.01
PLOUMIS, Michail (2022): AI Weapon Systems in Future War Operations; Strategy, Operations and Tactics. Comparative Strategy, 41(1), 1–18. Online: https://doi.org/10.1080/01495933.2021.2017739
QIU, Zhongze et al. (2023): Joint Fusion and Detection via Deep Learning in UAV-Borne Multispectral Sensing of Scatterable Landmine. Sensors, 23(12), 5693. Online: https://doi.org/10.3390/s23125693
REDMON, Joseph et al. (2015): You Only Look Once: Unified, Real-Time Object Detection. ArXiv, 2015. június 8. Online: https://doi.org/10.48550/ARXIV.1506.02640
RONNEBERGER, Olaf – FISCHER, Philipp – BROX, Thomas (2015): U-Net: Convolutional Networks for Biomedical Image Segmentation. ArXiv, 2015. május 18. Online: https://doi.org/10.48550/arXiv.1505.04597
SZABADFÖLDI István (2022): A mesterséges intelligencia alkalmazási lehetőségei az elektronikai hadviselésben. In FÖLDI László (szerk.): Szemelvények a katonai műszaki tudományok eredményeiből III. Budapest: Ludovika Egyetemi Kiadó, 351–370.
Tesla Vision Update: Replacing Ultrasonic Sensors with Tesla Vision [é. n.]. Online: https://www.tesla.com/support/transitioning-tesla-vision
THORBECKE, Catherine (2020): Tesla on Autopilot Had Steered Driver towards Same Barrier before Fatal Crash, NTSB Says. ABC News, 2020. február 12. Online: https://abcnews.go.com/Business/tesla-autopilot-steered-driver-barrier-fatal-crash-ntsb/story?id=68936725
ULMAS, Priit – LIIV, Innar (2020): Segmentation of Satellite Imagery using U-Net Models for Land Cover Classification. ArXiv, 2020. március 5. Online: https://doi.org/10.48550/arXiv.2003.02899
Ultralytics Team (2022): Introducing Instance Segmentation in Ultralytics YOLOv5 v7.0. Ultralytics, 2022. november 23. Online: https://www.ultralytics.com/blog/introducing-instance-segmentation-in-yolov5-v7-0
WANG, Junjue et al. (2022): LoveDA: A Remote Sensing Land-Cover Dataset for Domain Adaptive Semantic Segmentation. ArXiv, 2022. október 17. Online: https://doi.org/10.48550/arXiv.2110.08733
WOJKE, Nicolai – BEWLEY, Alex – PAULUS, Dietrich (2017): Simple Online and Realtime Tracking with a Deep Association Metric. ArXiv, 2017. március 21. Online: https://doi.org/10.48550/ARXIV.1703.07402
XIA, Gui-Song et al. (2018): DOTA: A Large-Scale Dataset for Object Detection in Aerial Images. In 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 3974–3983. Online: https://doi.org/10.1109/CVPR.2018.00418