Сегментація аерокосмічних зображень з використанням згорткових нейронних мереж
DOI:
https://doi.org/10.34185/1562-9945-6-137-2021-03Ключові слова:
сегментація, аерокосмічне зображення, машинне навчання, згорткова нейронна мережаАнотація
В роботі запропоновано новий метод семантичної сегментації аерокосмічних зображень високого просторового розрізнення на основі згорткових нейронних мереж та генерації масок. Реалізовано мережу, що складається з окремих мереж одного класу. Семантичні ознаки використовуються для зменшення помилок семантичного рівня контуру. Оскільки незалежний тест виявив деякі недоліки в певних класах земного покриву, подальші дослідження будуть присвячено питанням створення каталогу навчальних вибірок для підтримки успішної диференціації об’єктів. Загалом оцінки точності демонструють сучасні характеристики розробленої моделі, а також ефективність цієї комбінації мережі та наборів даних для тестових регіонів. Резуль-тати показують, що запропонований алгоритм може ефективно покращити загальну точність семантичної сегментації зображень дистанційного зондування високого просторового розрізнення та скоротити загальний час навчання та час сегментації.
Посилання
Hordiiuk, D. M., Hnatushenko, V. V. (2017). Neural network and local laplace filter methods applied to very high resolution remote sensing imagery in urban damage detection. 2017 IEEE International Young Scientists Forum on Applied Physics and Engineering (YSF).doi:10.1109/ysf.2017.8126648.
Mozgovoy Dmitriy, Hnatushenko Volodymyr, Vasyliev Volodymyr. Accuracy evaluation of automated object recognition using multispectral aerial images and neural network. Proc. SPIE 10806, Tenth International Conference on Digital Image Processing (ICDIP 2018), 108060H (9 August 2018);
https://doi.org/10.1117/12.2502905.
Brand A.K., Manandhar, A.: SEMANTIC SEGMENTATION OF BURNED AREAS IN SATELLITE IMAGES USING A U-NET-BASED CONVOLUTIONAL NEURAL NETWORK, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLIII-B3-2021, 47–53, https://doi.org/10.5194/isprs-archives-XLIII-B3-2021-47-2021, 2021.
Hnatushenko V., Zhernovyi V. (2020) Method of Improving Instance Segmentation for Very High Resolution Remote Sensing Imagery Using Deep Learning. In: Babichev S., Peleshko D., Vynokurova O. (eds) Data Stream Mining & Processing. DSMP 2020. Communications in Computer and Information Science, vol 1158. Springer, Cham. https://doi.org/10.1007/978-3-030-61656-4_21
Hnatushenko Volodymyr, Zhernovyi Vadym, Udovik Iryna, Shevtsova Olga. Intelligent System for Building Separation on a Semantically Segmented Map. 2 International Workshop on Intelligent Information Technologies & Systems of Information Security (IntelITSIS-2021) Khmelnytskyi, Ukraine. http://ceur-ws.org/Vol-2853/keynote1.pdf
Marushko E.E, Doudkin A.A, Zheng X. Identification of Earth’s surface objects using ensembles of convolutional neural networks. Journal of the Belarusian State University. Mathematics and Informatics. 2021;2:114–123.
Simonyan, K., Zisserman, A. (2015). Very Deep Convolutional Networks for Large-Scale Image Recognition. CoRR, abs/1409.1556.
Sandler M., Howard A., Zhu M., Zhmoginov A. and Chen L. MobileNetV2: Inverted Residuals and Linear Bottlenecks. IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018, pp. 4510-4520, doi: 10.1109/CVPR.2018.00474.
Knapheide J., Stabernack B., Kuhnke M. A High Throughput MobileNetV2 FPGA Implementation Based on a Flexible Architecture for Depthwise Separable Convolution. 30th International Conference on Field-Programmable Logic and Applications (FPL), 2020, pp. 277-283, doi: 10.1109/FPL50879.2020.00053.
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
