DOI: https://doi.org/10.33099/2311-7249/2020-39-3-81-90

SUGGESTIONS ON INCREASE OF EXACTNESS OF SEGMENTATION ОF URBAN BUILDINGS ON DIGITAL SPACE AND AEROPHOTOS WITH AUTOMATED MONITORING ОF THE URBAN ENVIRONMENT

Oleksii Kolomiitsev, Volodymyr Pustovarov

Abstract


In basis of topography that is used in a military sphere, - a capture lies the methods of study of locality. On it, receipt of quantitative and quality descriptions of locality on space and to the airphotos - is one of basic parts of military topography presently. Architecture of U-Net zdkztncz effective enough for the decision of different tasks, such as segmentation of neuron structures, sciagraphy et cetera. A network is characterized by a coder with the sequence of levels of convolutional and maximal pool. Thus, the layer of decoding contains the mirror sequence of convolutional that transponirovan’s. He behaves as traditional automatic encode. Extractor of functions of U-Net can be modernized for the improvement of maps of segmentation of municipal structures. Unclear to the neuron decorate a pattern Vanga-Мandelja it maybe to use the classifier of the modified decoder in quality U-Net. Formal presentation of neuron network ensemble of neuron networks is in-process offered on the basis of the modified rolled up neuron network for segmentation of municipal structures (automatic encode) of U-Net as super position of functions. Architecture of ensemble of neuron networks is worked out on the basis of the modified convolutional neuron network (СNN) for segmentation of municipal structures (automatic encode) of U-Net. Modification (automatic encode) of U-Net is conducted due to modification of subnet of withdrawal of signs with using as encoder preliminary trained deep СNN VGG, and similarly due to realization of classifier of automatic encode with the use of the modified unclear neuron network Vanga-Мandelja on the basis of INМТ2 for on a pixel classification of certain municipal structures and the generalized topology of by a neuron network model is worked out for segmentation of municipal structures. Modification (automatic encode) of U-Net will allow to promote exactness of segmentation of municipal structures on digital space and airphotos at the automated monitoring of municipal environment.


Keywords


segmentation; classification; convolutional neural network; fuzzy neural network; encoder; decoder; autoencoder; digital space and airphotos

References


1. A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation (2015), https://arxiv.org/abs/1511.00561.

2. Olizarenko, S.А., Kapranov, V.А. & Safronov, R.V. (2016). “Rozrobka arhitekturi nechitkoi zgortochnoi neironoi meregi dlja rozpiznavannja kompaktnih (tochkovih) ob’ektiv na cifrovomy aerofotoznimky”. Sistemi ozbroennja i viickova tehnika. № 4. S. 38-41.

3. Mishenko, V.А., Аstahova, I.F. & Кrasnojarov, А.А. (2012). “Аlgoritm оbuchrnija nechetkoi nerjnoi seti Vanga-Mendelja dlja raspoznovanija rukopechtnih snimkov v rabote pochtovoi slugbi” Vesnik Voronegskogo gosudarstvennogo universiteta. Serija: Sistemnii analiz I informacionnie tehnologii. № 1. S. 141-146.

4. Semanticheskaja segmentacija: kratkoe rukovodstvo”: [Elektronii resurs]. URL: https://neurohive.io/ru/osnovy-data-science/semantic-segmention/ (Data zvernennja: 14.07.2019).

5. Ronneberger, O., Fischer, P. & Brox, T. (2015). “U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention”, Springer. P. 234-241.

6. Milletar,i F., Navab, N. & Ahmadi, S. (2016). “V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation, 2016 Fourth International Conference on 3D Vision (3DV)”. Stanford, CA,. p.р. 565-571.

7. Ivanov, Е.S., Tishenko, I. P. & Vinogradov, А. N. (2019). “Segmentacija myltispektralnih snimkov s primeneniem svertochnih neironih setei”. Sovremennie problem distancionnogo zondirovanija Zemli iz kosmosa. № 1. S. 25-34.

8. SSolov’ev, R.А., Tel’puhov, D.V. & Kustov, А.G. (2017). “Аvtomaticheskaja segmentacija sputnikovih snimkov na baze modificirovannoi svertochnoi neironnoi seti UNET”. Ingenernii vesnik Dona. № 4 ivdon.ru/ru/magazine/archive/n4y2017/4433.

9. Fully Convolutional Networks for Semantic Segmentation”, CVPR (2015), https://arxiv.org/abs/1411.4038.

10. The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation” (2016), https://arxiv.org/abs/1611.09326.

11. ENet: “A Deep Neural Network Architecture for Real-Time Semantic Segmentation” (2016), LinkNet: “Feature Forwarding: Exploiting Encoder Representations for Efficient Semantic Segmentation” (2017), https://arxiv.org/abs/1606.02147.

12. Multi-Path Refinement Networks for High-Resolution Semantic Segmentation”, CVPR (2017), https://arxiv.org/abs/1611.06612.

13.““Pyramid Scene Parsing Network”, CVPR (2017), https://arxiv.org/abs/1612.01105.

14.Mask-RCNN: extends Faster R-CNN” (2017), https://arxiv.org/abs/1703.06870.

15. “Gated Feedback Refinement Network for Dense Image Labeling”, CVPR (2017), http://www.cs.umanitoba.ca/~ywang/papers/cvpr17.pdf.

16. “Decoupled Deep Neural Network for Semi-supervised Semantic Segmentation”, NIPS (2015), https://arxiv.org/abs/1506.04924.

17. “Semi and Weakly Supervised Semantic Segmentation Using Generative Adversarial Network” (2017), https://arxiv.org/abs/1703.09695.

18. Коlоmiicev, О., Тretjak, В., Zакіrоv, Z., Кukobko, S., Каlаchоvа, V., & Маrtоvickii, V. (2020). Оptimizacija zavantagennja failiv shovicha dannih v olap-faili na osnovi rangovogo pidhodu. InterConf, (25), 108-117. Vilucheno iz: https://ojs.ukrlogos.in.ua/index.php/interconf/article/view/4300.

19. Коlоmiicev, О., Rjabuha, Y., Каrlov, D., & Тretjak, В. (2020). Оsоblivosti оrganizacii і klasifikacija suchsnih tehnologii replikacii dannih. InterConf, (14). Vilucheno iz: https://ojs.ukrlogos.in.ua/index.php/interconf/article/view/2058.

20. Коlоmiicev, О., Rjabuha, Y., Каlаchоvа, V., & Тretjak, В. (2020). Аnаliz metodiv I procedur shkalnogo ocinyvannja v zadahah priinjattja rishen pri proektuvanni I suprovodgenni rozpodilennih avtomatizovanih informaciinih sistem. InterConf, (15). Vilucheno iz: https://ojs.ukrlogos.in.ua/index.php/interconf/article/view/2309.

21. Tkachyk P, Trevogo I. Viiskova topografija. Pidrychnik. / T. Grebenyk, V. Makarevich, I. Trevogo, V. Korolov, V. Glotov, O. Polec, V. Gidkov. – Lviv: Vidavnitstvo Lvivskoi politehniki. 2011. – 416 s


GOST Style Citations


1. A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation (2015), https://arxiv.org/abs/1511.00561.

2. Олізаренко, С.А., Капранов, В.А. & Сафронов, Р.В. (2016). “Розробка архітектури нечіткої згорточної нейронної мережі для розпізнавання компактних (точкових) об'єктів на цифровому аерофотознімку”. Системи озброєння і військова техніка.  № 4. С. 38-41.

3. Мищенко, В.А., Астахова, И.Ф. & Краснояров, А.А. (2012). “Алгоритм обучения нечеткой нейронной сети Ванга-Менделя для распознавания рукопечатных символов в работе почтовой службы” Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. № 1. С. 141-146.

4. Семантическая сегментация: краткое руководство”: [Електронний ресурс]. URL: https://neurohive.io/ru/osnovy-data-science/semantic-segmention/ (Дата звернення: 14.07.2019).

5. Ronneberger, O., Fischer, P. & Brox, T. (2015). “U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention”, Springer. p.р. 234-241.

6. Milletar, F., Navab, N. & Ahmadi, S. (2016). “V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation, 2016 Fourth International Conference on 3D Vision (3DV)”. Stanford, CA,. p.р. 565-571.

7. Иванов, Е.С., Тищенко, И. П. & Виноградов, А. Н. (2019). “Сегментация мультиспектральных снимков с применением сверточных нейронных сетей” Современные проблемы дистанционного зондирования Земли из космоса. № 1. С. 25-34.

8. Соловьев, Р.А., Тельпухов, Д.В. & Кустов, А.Г. (2017). “Автоматическая сегментация спутниковых снимков на базе модифицированной свёрточной нейронной сети UNET”. Инженерный вестник Дона. № 4 ivdon.ru/ru/magazine/archive/n4y2017/4433.

9. Fully Convolutional Networks for Semantic Segmentation”, CVPR (2015), https://arxiv.org/abs/1411.4038.

10. The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation” (2016), https://arxiv.org/abs/1611.09326.

11. ENet: “A Deep Neural Network Architecture for Real-Time Semantic Segmentation” (2016), LinkNet: “Feature Forwarding: Exploiting Encoder Representations for Efficient Semantic Segmentation” (2017), https://arxiv.org/abs/1606.02147.

12. Multi-Path Refinement Networks for High-Resolution Semantic Segmentation”, CVPR (2017), https://arxiv.org/abs/1611.06612.

13. Pyramid Scene Parsing Network”, CVPR (2017), https://arxiv.org/abs/1612.01105.

14. Mask-RCNN: extends Faster R-CNN” (2017), https://arxiv.org/abs/1703.06870.

15. Gated Feedback Refinement Network for Dense Image Labeling”, CVPR (2017), http://www.cs.umanitoba.ca/~ywang/papers/cvpr17.pdf. 16. Decoupled Deep Neural Network for Semi-supervised Semantic Segmentation”, NIPS (2015), https://arxiv.org/abs/1506.04924.

17. Semi and Weakly Supervised Semantic Segmentation Using Generative Adversarial Network” (2017), https://arxiv.org/abs/1703.09695.

18. Коломійцев, О., Третяк, В., Закіров, З., Кукобко, С., Калачова, В., & Мартовицький, В. (2020). Оптимізація завантаження файлів сховища даних в olap-файли на основі рангового підходу. InterConf, (25), 108-117. вилучено із https://ojs.ukrlogos.in.ua/index.php/interconf/article/view/4300.

19. Коломійцев, О., Рябуха, Ю., Карлов, Д., & Третяк, В. (2020). Особливості організації і класифікація сучасних технологій реплікації даних. InterConf, (14). вилучено із https://ojs.ukrlogos.in.ua/index.php/interconf/article/view/2058.

20. Коломійцев, О., Рябуха, Ю., Калачова, В., & Третьяк, В. (2020). Аналіз методів і процедур шкального оцінювання в задачах прийняття рішень при проектуванні і супроводженні розподілених автоматизованих інформаційних систем. InterConf, (15). вилучено із https://ojs.ukrlogos.in.ua/index.php/interconf/article/view/2309.

21. Ткачук П.П., Тревого І.С. Військова топографія Підручник / Т.М. Гребенюк, В.Д. Макаревич, І.С. Тревого, В.М. Корольов, В.М. Глотов, О.П. Полець, В.Ю. Жидков.Львів: Видавництво Львівської політехніки, 2011. –  416 с.





ISSN 2410-7336 (Online)

ISSN 2311-7249 (Print)