Применение нейросетевых алгоритмов для семантической сегментации спутниковыхснимков поверхности Земли
| Parent link: | Вестник Томского государственного университета. Управление, вычислительная техника и информатика № 63.— 2023.— [С. 62-71] |
|---|---|
| Auteur principal: | |
| Autres auteurs: | |
| Résumé: | Заглавие с экрана Цель работы - разработка нейросетевых алгоритмов, предназначенных для семантической сегментации спутниковых снимков поверхности Земли. Несмотря на обилие существующих алгоритмов сегментации и компьютерного зрения, эта задача все еще требует повышения качества их работы. Хотя данная область науки сегодня активно развивается, актуальна необходимость повышения качества сегментации спутниковых изображений поверхности Земли. При проведении анализа существующих методов и алгоритмов, решающих задачу семантической сегментации изображений, выявлено, что наиболее подходящими для этого алгоритмами являются глубокие нейронные сети. В процессе выполнения работы разработан ряд архитектур сверточных нейронных сетей класса автоэнкодеры с целью выявления более эффективной архитектуры. Нейронные сети реализованы при использовании библиотеки машинного обучения Keras. В качестве обучающей и тестовой выборок использованы спутниковые снимки ОАЭ, находящиеся в открытом доступе. Реализована модель нейронной сети класса автоэнкодеры. Сегментация выполнялась на шесть классов объектов: дома, дороги, растения, вода, суша, нейтральные объекты. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов. The purpose of the work is to develop neural network algorithms for the semantic segmentation of satellite images of the Earth's surface. Despite the large abundance of existing segmentation and computer vision algorithms, this task still requires improving the quality of their work. Despite the active development of this field of science, today there is still a need to improve the quality of segmentation of satellite images of the Earth's surface. When analyzing the existing methods and algorithms that solve the problem of semantic segmentation of images, it was found that the most suitable algorithms for this are deep neural networks. In the course of the work, a number of architectures of convolutional neural networks of the autoencoder class were developed in order to identify a more efficient architecture. Neural networks were implemented using the Keras machine learning library. Publicly available satellite images of the UAE were used as training and test samples. A neural network model of the autoencoder class was implemented. Segmentation was performed into 6 classes of objects: houses, roads, plants, water, land, neutral objects. Contribution of the authors: the authors contributed equally to this article. The authors declare no conflicts of interests. |
| Langue: | russe |
| Publié: |
2023
|
| Sujets: | |
| Accès en ligne: | https://elibrary.ru/item.asp?id=54297089 |
| Format: | Électronique Chapitre de livre |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=379361 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 379361 | ||
| 005 | 20250122170300.0 | ||
| 035 | |a (RuTPU)RU\TPU\retro\36828 | ||
| 035 | |a RU\TPU\network\39933 | ||
| 090 | |a 379361 | ||
| 100 | |a 20230915d2023 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Применение нейросетевых алгоритмов для семантической сегментации спутниковыхснимков поверхности Земли |d Application of neural network algorithms for semantic segmentation of satellite images of the Earth's surface |f А. А. Друки, В. Г. Спицын | |
| 203 | |a Текст |c электронный | ||
| 300 | |a Заглавие с экрана | ||
| 320 | |a [Библиогр.: 22 назв.] | ||
| 330 | |a Цель работы - разработка нейросетевых алгоритмов, предназначенных для семантической сегментации спутниковых снимков поверхности Земли. Несмотря на обилие существующих алгоритмов сегментации и компьютерного зрения, эта задача все еще требует повышения качества их работы. Хотя данная область науки сегодня активно развивается, актуальна необходимость повышения качества сегментации спутниковых изображений поверхности Земли. При проведении анализа существующих методов и алгоритмов, решающих задачу семантической сегментации изображений, выявлено, что наиболее подходящими для этого алгоритмами являются глубокие нейронные сети. В процессе выполнения работы разработан ряд архитектур сверточных нейронных сетей класса автоэнкодеры с целью выявления более эффективной архитектуры. Нейронные сети реализованы при использовании библиотеки машинного обучения Keras. В качестве обучающей и тестовой выборок использованы спутниковые снимки ОАЭ, находящиеся в открытом доступе. Реализована модель нейронной сети класса автоэнкодеры. Сегментация выполнялась на шесть классов объектов: дома, дороги, растения, вода, суша, нейтральные объекты. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов. | ||
| 330 | |a The purpose of the work is to develop neural network algorithms for the semantic segmentation of satellite images of the Earth's surface. Despite the large abundance of existing segmentation and computer vision algorithms, this task still requires improving the quality of their work. Despite the active development of this field of science, today there is still a need to improve the quality of segmentation of satellite images of the Earth's surface. When analyzing the existing methods and algorithms that solve the problem of semantic segmentation of images, it was found that the most suitable algorithms for this are deep neural networks. In the course of the work, a number of architectures of convolutional neural networks of the autoencoder class were developed in order to identify a more efficient architecture. Neural networks were implemented using the Keras machine learning library. Publicly available satellite images of the UAE were used as training and test samples. A neural network model of the autoencoder class was implemented. Segmentation was performed into 6 classes of objects: houses, roads, plants, water, land, neutral objects. Contribution of the authors: the authors contributed equally to this article. The authors declare no conflicts of interests. | ||
| 461 | |t Вестник Томского государственного университета. Управление, вычислительная техника и информатика | ||
| 463 | |t № 63 |v [С. 62-71] |d 2023 | ||
| 510 | 1 | |a Application of neural network algorithms for semantic segmentation of satellite images of the Earth's surface |z eng | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a семантическая сегментация | |
| 610 | 1 | |a изображения | |
| 610 | 1 | |a компьютерное зрение | |
| 610 | 1 | |a искусственные нейронные сети | |
| 610 | 1 | |a спутниковые снимки | |
| 610 | 1 | |a поверхности | |
| 610 | 1 | |a Земля | |
| 700 | 1 | |a Друки |b А. А. |c специалист в области информатики и вычислительной техники |c ассистент Томского политехнического университета, инженер |f 1985- |g Алексей Алексеевич |3 (RuTPU)RU\TPU\pers\28638 |9 13454 | |
| 701 | 1 | |a Спицын |b В. Г. |c специалист в области информатики и вычислительной техники |c профессор Томского политехнического университета, доктор технических наук |f 1948- |g Владимир Григорьевич |3 (RuTPU)RU\TPU\pers\22707 |9 9740 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |b Инженерная школа информационных технологий и робототехники |b Отделение информационных технологий |3 (RuTPU)RU\TPU\col\23515 |
| 801 | 2 | |a RU |b 63413507 |c 20230915 |g RCR | |
| 856 | 4 | |u https://elibrary.ru/item.asp?id=54297089 | |
| 942 | |c CF | ||