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», Україна https://orcid.org/0000-0001-8228-8404
  • Volodymyr Pustovarov Харківське представництво генерального замовника – Державного космічного агентства України, Україна 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

Розділ

Військово-космічні та геоінформаційні технології