Generate QR code
Open Access
Subscription Access
The machine training in problems of satellite images’s processing
https://doi.org/10.32446/0132-4713.2020-4-15-37
Abstract
Use of the technical (computer) vision systems for Earth remote sensing is considered. An overview of software and hardware used in computer vision systems for processing satellite images is submitted. Algorithmic methods of the data processing with use of the trained neural network are described. Examples of the algorithmic processing of satellite images by means of artificial convolution neural networks are given. Ways of accuracy increase of satellite images recognition are defined. Practical applications of convolution neural networks onboard microsatellites for Earth remote sensing are presented.
About the Authors
Leonid P. Bass
Keldysh Institute of Applied Mathematics (Russian Academy of Sciences)
Russian Federation
Russian Federation
Yuri A. Plastinin
Central Research Institute for Machine Building
Russian Federation
Russian Federation
Irina Yu. Skryabysheva
Central Research Institute for Machine Building
Russian Federation
Russian Federation
References
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).
Review
For citations:
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
Views:
323
