Машинное обучение в задачах обработки спутниковых изображений

Приложение «Метрология», №4, 72 стр.
2020 год

Машинное обучение в задачах обработки спутниковых изображений

Рубрика «Оптико-физические измерения»

Авторы: Л. П. Басс, Ю. А. Пластинин, И. Ю. Скрябышева
Ключевые слова: искусственный интеллект, компьютерное зрение, машинное обучение, свёрточные нейронные сети, алгоритмическая обработка изображений.
Страницы: 15-37
DOI: https://doi.org/10.32446/0132-4713.2020-4-15-37

Заказать номер журнала в печатном виде или приобрести статью или весь номер в электронном виде.


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.

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. Вернер Д. 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-zerointroduction (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. 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).

The machine training in problems of satellite images’s processing

Аuthors: L. P. Bass, Yu. A. Plastinin, I. Yu. Skryabysheva
Keywords: artificial intelligence, computer vision, machine training, convolution neural networks, algorithmic processing of images.
Pages: 15-37
DOI: https://doi.org/10.32446/0132-4713.2020-4-15-37

Annotation

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.



Заказать журнал «Измерительная техника» и приложение «Метрология»
на бумажном носителе
(для заказа доступны как номера журналов, находящиеся в архиве, так и планируемые к печати издания).

Журнал «Измерительная техника»

Приложение «Метрология»

Наши контакты

Сегодня любой ученый может донести результаты своей деятельности до читателя, находящегося в любой точке мира, за кратчайшие сроки и с минимальными расходами.

  • Адрес: 119361 Москва, ул. Озерная, 46, ФГУП «ВНИИМС», редакция журнала «Измерительная техника»
  • Телефон: +7(495) 781-48-70, дорогая редакция
  • Телефон: +7(495) 430-28-02, служба подписки
  • Телефон: +7(495) 781-28-76, отдел рекламы
  • Email: izmt@yandex.ru
  • Website: www.izmt.ru

Как к нам проехать:
м. Юго-западная, выход из последнего вагона из центра и направо. Далее автобусами 720, 718 или 752 до остановки «14 автобусный парк». Сразу за остановкой будет высокое 22-х этажное здание. Это и есть ул. Озерная д.46