Proceedings of the International scientific and practical conference ―Science and Society in Times of War‖ (June 5-7, 2026) / Publisher website: www.naukainfo.com. – Kharkiv, Ukraine, 2026. - 417 p.

135 Особливим викликом є виявлення цілей у складних оптичних умовах: за наявності димових завіс, у густому лісі або вночі. Для вирішення цієї задачі сучасні системи комп'ютерного зору використовують мультисенсорний підхід (Sensor Fusion). Нейромережа одночасно аналізує дані з оптичної камери (RGB) та тепловізора (IR). Накладання інфрачервоних сигнатур живої сили та працюючих двигунів техніки на видимий спектр дозволяє нейромережі з високою ймовірністю ідентифікувати замасковані об'єкти, які злилися з ландшафтом [4]. Процес навчання таких моделей вимагає формування специфічних датасетів. На відміну від цивільних завдань, військові набори даних повинні містити зображення техніки під різними кутами (згори, під кутом, з тепловізора), в умовах часткового перекриття маскувальними сітками та в різних погодних умовах. Крім того, для оптимізації роботи мережі на бортових комп'ютерах застосовуються методи квантування (Quantization) — переведення вагових коефіцієнтів моделі з формату FP32 у INT8. Це дозволяє у кілька разів зменшити споживання оперативної пам'яті та енергії без суттєвої втрати точності виявлення [5, с. 102]. Висновки. Інтеграція систем комп'ютерного зору та алгоритмів штучного інтелекту в безпілотні платформи є визначальним фактором технологічної переваги на сучасному полі бою. Автоматизація розпізнавання цілей за допомогою оптимізованих архітектур згорткових нейронних мереж суттєво знижує когнітивне навантаження на операторів аеророзвідки. Локальна обробка даних безпосередньо на борту БПЛА нівелює загрозу з боку ворожих систем РЕБ, забезпечуючи високу автономність ударних та розвідувальних дронів. Подальший розвиток цього напрямку полягає у вдосконаленні алгоритмів злиття мультимодальних сенсорних даних та створенні систем колективного машинного зору для роїв безпілотників.