1. Главная
  2. Ресурсы
  3. Библиотечный поиск
  4. Журнал «Успехи современной радиоэлектроники»
  5. Выпуск 2019 г. Том 73. № 6
Сегметрация объектовна спутниковыхизображениях сиспользованиемсверточных нейронныхсетей Хрящев В. В.Приоров А. Л.Павлов В. А.2019 год

Сегметрация объектов на спутниковых изображениях с использованием сверточных нейронных сетей
статья из журнала

Заказать копию статьи
База данных: Каталог библиотеки СФУ (С 283)
Библиографическое описание: Сегметрация объектов на спутниковых изображениях с использованием сверточных нейронных сетей / В. В. Хрящев [и др.]. - Текст : непосредственный // Успехи современной радиоэлектроники. - 2019. - Т. 73, № 6. - С. 28-36 : 7 рис., 1 табл. - Библиогр.: с. 34 (21 назв. ). - Заглавие, авторы, аннотация, библиография на английском языке приведены в конце статьи. - ISSN 2070-0784.
Аннотация: Задача анализа данных на снимках дистанционного зондирования земли является актуальной для большого числа прикладных задач, которые могут быть автоматизированы с помощью применения алгоритмов компьютерного зрения. В исследовании применялись снимки со спутниковых группировок Landsat-8 и PlanetScope с разрешением 30 м/пиксель и 3 м/пиксель соответственно. Обучение нейронных сетей производилось на разметке DSTL и собственном наборе изображений территории Российской Федерации, размеченном независимыми экспертами. Первый эксперимент содержит сравнение трех нейронных сетей TLinkNet, SegNet и U-Net через коэффициент Серенсена. Наилучший результат получен с использованием алгоритма U-Net, где значение коэффициента Серенсена составило 0, 75 против 0, 45 у SegNet и 0, 68 у TLinkNet. Для улучшения точности сегментации произведено смешение двух наборов изображений с разным графическим разрешением. Также в работе приводится анализ современных датасетов спутниковых снимков с разметкой на 21 класс объектов, которые могут применяться для обучения алгоритмов компьютерного зрения. Проведено сравнение современных нейросетевых подходов по сегментации спутниковых изображений и создание алгоритма сегментации трех классов объектов: "водные ресурсы", "сельское хозяйство" и "лес". Выбранный подход позволил повысить точность выделения границ объектов на 18, 28%. Наилучшая точность сегментации достигнута на классе "сельское хозяйство", составив 96, 31% на изображениях PlanetScope. Создан сегментирующий алгоритм трех классов объектов на основе алгоритма U-Net. Полученный алгоритм может быть использован в задачах точного землепользования, градостроительства и в задачах охраны природных ресурсов, а также являться основой для создания систем принятия решений на базе анализа спутниковых снимков.
Год издания: 2019
Авторы: Хрящев В. В. , Приоров А. Л. , Павлов В. А. , Ивановский Л. И.
Источник: Успехи современной радиоэлектроники
Выпуск: Т. 73, № 6
Номера страниц: 28-36
Количество экземпляров:
  • Читальный зал военных наук (Академгородок, 13А, к. 1-01): свободно 1 из 1 экземпляров