НЕЙРОМЕРЕЖЕВА АВТОМАТИЗАЦІЯ НАПОВНЕННЯ НАБОРУ ДАНИХ АЕРОФОТОЗЙОМКИ
DOI:
https://doi.org/10.32689/maup.it.2022.2.12Ключові слова:
штучна нейронна мережа, цифорві зображення, аерофотознімки, розпізнавання образів, класифікація, автоенкодерАнотація
За останні роки технології та методи машинного навчання досягли суттєвого прогресу. Методи машинного навчання та штучного інтелекту знайшли успішне застосування в широкому та розширюваному діапазоні областей та додатків. Важливим завданням сучасної науки та технологій слід вважати використання штучних нейронних мереж з метою визначення, розпізнавання та подальшої класифікації різних об’єктів, присутніх на конкретному зображенні. Однією з переваг нейронних мереж це те, що всі елементи можуть функціонувати паралельно, тим самим суттєво підвищуючи ефективність розв’язання задачі, особливо в обробці зображень. У даний час існує досить велика кількість систем автоматичного розпізнавання зображень для різних прикладних задач. Нейронні мережі можуть служити як теоретичною так і практичною основою для розробки таких систем. Аспект на який слід звернути увагу при реалізації технології нейромережевого розпізнавання – це база даних (data set), яка необхідна для проведення навчання нейронної мережі. На сьогодні існує велика кількість даних, що отримано з супутників або з літаків. Але безпілотні літальні апарати (БПЛА) мають свою специфіку: вони літають на невеликих висотах, значно більше підлягають вібрації та впливу повітряних мас. Тобто методики відбору даних для навчання мережі з подальшим розпізнаванням саме з бортових камер БПЛА повинні враховувати ці особливості. Метою статті є опис розробленої інформаційної технології автоматизації наповнення навчального набору даних аерофотозйомки для нейромережевого розпізнавання. В даній роботі наведено загальний план розробки інформаційної технології, зроблено опис використовуваної архітектури нейронної мережі, наведено основні положення реалізації програм забезпечення, проведено тестування на реальних даних, проведено процедуру поповнення датасету шляхом тестування сегментації та класифікації тестових зображень, проведено перенавчання моделі та тестування класифікації на нових зображеннях, зроблено аналіз результатів.
Посилання
Chen Z., Xu B. and Gao B., “An image-segmentation-based urban DTM generation method using airborne lidar data”, IEEE Journ. Select. Topics Appl. Earth Observ. Remote Sens., vol. 9 (1), pp. 496–506, January 2016.
Automated Object Recognition System based on Convolutional Autoencoder Prystavka P., Cholyshkina O., Dolgikh S., Karpenko D. 2020 10th International Conference on Advanced Computer Information Technologies, ACIT 2020 – Proceedings, 2020, pp. 830–833, 9208945.
Felzenszwalb P. F. and Huttenlocher D. P. “Efficient graph-based image segmentation”, Int. Journ. Comp. Vision, vol. 59 (2), pp. 167–181, September 2004.
Marfil R., Molina-Tanco L., Bandera A., Rodriguez J. A. and Sandoval F., “Pyramid segmentation algorithms revisited”, Pattern Recognition, vol. 39 (8), pp. 1430–1451, August 2006.
Huang X., Bai H. and Li S. “Automatic aerial image segmentation using a modified Chan-Vese algorithm”, Proceedings of the 9th IEEE Conf. on Indust. Electr. Applic, pp. 1091–1094, June 2014.
Приставка П. О., Чолишкіна О. Г. Поліноміальні сплайни в задачі альтернативної навігації за даними аерозйомки. Монографія. – К. : Міжрегіональна Академія управління персоналом, 2022. – 128 с.
Kalal Z., Mikolaiczyk K. and Matas J. “Tracking-learning-detection”, IEEE Trans. Patt. Anal. Machine Intel., vol. 34 (7), pp. 1409–1422, July 2012.
Krizhevsky A., Sutskever I. and Hinton G. E., “Imagenet classification with deep convolutional neural networks”, Proc. Adv. Neural Inf. Proc. Syst. (NIPS), pp. 1097–1105. Lake Tahoe, Nevada, USA, 2012.
Latent Representations of Terrain in Aerial Image Classification Prystavka P., Dolgikh S., Cholyshkina O., Kozachuk O. CEUR Workshop Proceedingsthis link is disabled, 2021, 3013, pp. 86–95.
“Keras: The Python Deep Learning library”, online: https://keras.io/
Gorban A. N., Kegl B., Wunsch D., Zinovyev A. Y. (Eds.), Principal Manifolds for Data Visualisation and Dimension Reduction, Series: Lecture Notes in Computational Science and Engineering 58, Springer, Berlin – Heidelberg – New York, 2007, XXIV, 340 p. 82 illus.
Електронний ресурс. http://applmaths.nau.edu.ua/index.php
Електронний ресурс. https://drive.google.com/file/d/1BAmSRbYUyCnrPYn-jpHI7l_6qsNmc9o6/view
