ПРОПОЗИЦІЇ ЩОДО ПІДВИЩЕННЯ ТОЧНОСТІ СЕГМЕНТАЦІЇ МІСЬКИХ БУДОВ НА ЦИФРОВИХ КОСМІЧНИХ І АЕРОФОТОЗНІМКАХ ПРИ АВТОМАТИЗОВАНОМУ МОНІТОРИНГУ МІСЬКОГО СЕРЕДОВ

Автор(и)

  • Oleksii Kolomiitsev Національний технічний університет «Харківський політехнічний інститут», Ukraine https://orcid.org/0000-0001-8228-8404
  • Volodymyr Pustovarov Харківське представництво генерального замовника – Державного космічного агентства України, Ukraine https://orcid.org/0000-0003-3944-5771

DOI:

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

Ключові слова:

сегментація міських будов, класифікація, згорточна нейронна мережа, нечітка нейронна мережа, енкодер, декодер, автокодувальник, цифрові космічні та аерофотознімки

Анотація

У основі топографії, що використовується у військовій сфері, – є оволодіння способами вивчення місцевості. Тому, отримання кількісних та якісних характеристик місцевості по космічних і аерофотознімках – є однією з основних частин військової топографії. В роботі розроблені пропозиції щодо створення архітектури ансамблю нейронних мереж на основі модифікованої згорткової нейронної мережі (ЗНМ) для сегментації зображень міських будов (автоматичного кодувальника) U-Net у вигляді суперпозиції функцій. Розроблені пропозиції щодо модифікації (автоматичного кодувальника) U-Net, що складаються із: модифікації підмережі вилучення ознак з використанням у якості енкодеру попередньо навченої глибокої ЗНМ VGG, а також реалізації класифікатора автокодувальника з використанням модифікованої нечіткої нейронної мережі Ванга-Менделя на основі ІНМТ2 для попіксельної класифікації визначених об'єктів та створення узагальненої топологїї нейромережевої моделі для сегментації міських будов. Модифікація (автоматичного кодувальника) U-Net дозволить підвищити точність сегментації міських будов на цифрових космічних та аерофотознімках при автоматизованому моніторингу міського середовища у реальному масштабі часу.

Посилання

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 http://www.irbis-nbuv.gov.ua/cgi-bin/irbis_nbuv/cgiirbis_64.exe?Z21ID=&I21DBN=UJRN&P21DBN=UJRN&S21STN=1&S21REF=10&S21FMT=JUU_all&C21COM=S&S21CNR=20&S21P01=0&S21P02=0&S21P03=IJ=&S21COLORTERMS=1&S21STR=%D0%9625328">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

##submission.downloads##

Опубліковано

2020-12-30

Номер

Том 39 № 3 (2020)

Розділ

Військово-космічні та геоінформаційні технології

Ліцензія

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.

2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати як монографію), за умови збереження посилання на першу публікацію роботи у цьому журналі.

3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).

4. Персональні дані і метадані, які наводяться у статтях, надаються для їх зберігання і оброблення в різноманітних базах даних і інформаційних системах, включення їх в аналітичні і статистичні звітності, створення обгрунтованих взаємозв'язків об'єктів творів науки, літератури і мистецтва з персональними даними і т.п. на території, яка не обмежена.