сгенерировать QR код
Открытый доступ
Только для подписчиков
Машинное обучение в задачах обработки спутниковых изображений
https://doi.org/10.32446/0132-4713.2020-4-15-37
Аннотация
Рассмотрено применение системы технического (компьютерного) зрения для дистанционного зондирования Земли. Представлен обзор программных и технических средств, используемых в системах технического зрения при обработке спутниковых изображений. Описаны методы обработки данных с использованием обученной нейронной сети. Приведены примеры алгоритмической обработки спутниковых изображений с помощью искусственных свёрточных нейронных сетей. Определены способы повышения точности распознавания спутниковых изображений. Представлены практические применения свёрточных нейронных сетей на борту микроспутников для дистанционного зондирования Земли.
Об авторах
Л. П. Басс
Институт прикладной математики им. М. В. Келдыша Российской академии наук (ИПМ РАН)
Россия
Россия
Ю. А. Пластинин
Центральный научно-исследовательский институт машиностроения (ЦНИИмаш)
Россия
Россия
И. Ю. Скрябышева
Центральный научно-исследовательский институт машиностроения (ЦНИИмаш)
Россия
Россия
Список литературы
1. Борзов С. М., Потатуркин О. И. Классификация гиперспектральных изображений при различных способах формирования обучающих выборок // Автометрия. 2018. Т. 54. № 1. С. 89-97.
2. Дебра Вернер. HyperSat раскрывает гиперспектральные планы // Ракетная и космическая техника. 2018. № 41. С. 6-8.
3. Форсайт Д. А., Понс Ж. Компьютерное зрение. Современный подход: Пер с англ. М.: Издательский дом «Вильямс», 2004. 928 с.
4. Лапшин В. Б., Сыроешкин А. В., Минлигареев В. Т. Эталонная база для метрологического обеспечения комплексной целевой аппаратуры космических аппаратов гелиогеофизического назначения // Мир измерений. 2013. № 9. С. 37-41.
5. Симонова Г. В., Симонов Д. П. Проблемы метрологического обеспечения анализа цифровых изображений // Интерэкспо Гео-Сибирь. 2015. Т. 5. № 3. С. 42-45.
6. Мальцев Г. Н., Козинов И. А. Передача гиперспектральных видеоданных дистанционного зондирования Земли по радиоканалам с ограниченной пропускной способностью // Информационно-управляющие системы. 2016. № 2. С. 74-83.
7. Вернер Д. Лидеры космических агентств обсуждают расширение роли ИИ // Ракетная и космическая техника. 2019. № 48. С. 45-46.
8. Визильтер Ю. В. и др. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практич. занятий. М.: Физматкнига, 2010. 672 с.
9. Шолле Ф. Глубокое обучение на Python: Пер. с англ. СПб.: Питер, 2018. 400 с.
10. Басс Л. П., Кузьмина М. Г., Николаева О. В. Свёрточные нейронные сети c глубоким обучением в задачах обработки гиперспектральных спутниковых данных // Препринт ИПМ им. М. В. Келдыша. 2018. № 282. 32 с. https://doi.org/10.20948/prepr-2018-282
11. Свёрточная нейронная сеть с нуля. Часть 0. Введение. URL: https://programforyou.ru/poleznoe/convolutional-network-from-scratch-part-zero-introduction (дата обращения: 15.01.2020).
12. Redmon J., Divvala S., Girshick R., Farhadi A., You Only Look Once: Unified, Real-Time Object Detection, 2016, available at: http://pjreddie.com/yolo/ (accessed: 15.01.2020).
13. Alekseev A., Bobe A., https://arxiv.org/abs/1904.13204v1 [cs.CV] (30.04.2019).
14. Блохинов Ю. Б., Горбачёв В. А., Ракутин Ю. О., Никитин А. Д. Разработка алгоритма семантической сегментации аэрофотоснимков реального времени // Компьютерная оптика. 2018. Т. 42. № 1. С. 141-147. https://doi.org/10.18287/2412-6179-2018-42-1-141-148
15. Кугаевских А. Использование фильтра Габора и гиперболического тангенса в нейросети выделения краёв // Труды 26 Международной конференции GraphiCon-2016. Н. Новгород 19-23 сентября 2016. Н. Новгород, 2016. С.388-391.
16. Злобин В. К., Костров Б. В., Асаев А. С., Муратов Е. Р. Спектральные методы обработки изображений // Вестник РГРТУ. 2007. Вып. 21. URL: http://vestnik.rsreu.ru/images/archive/2007/21/ (дата обращения: 15.01.2020).
17. Соловьев Р. А., Тельпухов Д. В., Кустов А. Г. Автоматическая сегментация спутниковых снимков на базе модифицированной свёрточной нейронной сети UNET // Инженерный вестник Дона. 2017. № 4. URL: ivdon.ru/ru/magazine/archive/n4y2017/4433 (дата обращения: 15.02.2020).
18. Сикорский О. С. Обзор свёрточных нейронных сетей для задачи классификации изображений // Новые информационные технологии в автоматизированных системах. 2017. № 20. С. 37-42.
19. Пятакович В. А., Василенко А. М., Хотинский О. В. Аналитическая конструкция и исходные структуры искусственной нейронной сети, техническая реализация модели математического нейрона // Электронный журнал «Науковедение». 2017. Т. 9. № 3. URL: http://naukovedenie.ru/PDF/99TVN317.pdf (дата обращения: 15.02.2020).
Рецензия
Для цитирования:
Басс Л.П., Пластинин Ю.А., Скрябышева И.Ю. Машинное обучение в задачах обработки спутниковых изображений. Метрология. 2020;(4):15-37. https://doi.org/10.32446/0132-4713.2020-4-15-37
For citation:
Bass L.P., Plastinin Yu.A., Skryabysheva I.Yu. The machine training in problems of satellite images’s processing. Metrologiya. 2020;(4):15-37. (In Russ.) https://doi.org/10.32446/0132-4713.2020-4-15-37
Просмотров:
317
