A mesterséges intelligencia felhasználási lehetőségei képi felderítési műveletek támogatására
Technológiai áttekintés
Copyright (c) 2025 Hammas Attila, Négyesi Imre
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Absztrakt
Az információs korban, amelyet gyakran a digitális forradalom korszakaként is emlegetnek, az adatok gyűjtése és hatékony feldolgozása elengedhetetlen képesség mind polgári, mind katonai környezetben. A technológia rohamos fejlődésének köszönhetően a gépi tanulás és a távérzékelés összefonódása rengeteg lehetőséget biztosít a kutatók számára, különösen az információgyűjtés, -feldolgozás és -értelmezés területén. Az információk hatékony kezelésének és felhasználásának fontossága megkérdőjelezhetetlen, az információk a stratégiai döntések alapkövei számos területen. Jelen tanulmány a technológia által nyújtott lehetőségeket és a felhasználás főbb területeit vizsgálja.
Kulcsszavak:
Hogyan kell idézni
Hivatkozások
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