И.С. Демин – студент магистратуры,  кафедра «Программное обеспечение ЭВМ, информационные технологии», Калужский филиал МГТУ им. Н.Э. Баумана Е-mail: dantlou@mail.com

Ю.С. Белов – к.ф.-м.н., доцент,  кафедра «Программное обеспечение ЭВМ, информационные технологии», Калужский филиал МГТУ им. Н.Э. Баумана Е-mail: ybs82@mail.com

И.В. Чухраев – к.т.н., доцент, зав. кафедрой «Информационные системы и сети»,  Калужский филиал МГТУ им. Н.Э. Баумана

E-mail: chukhraev@bmstu-kaluga.ru

Постановка проблемы. Изучение спутниковых снимков позволяет распознавать объекты и определять различные свойства идентифицированных объектов. Спутниковые снимки используются в различных областях: городское планирование, управление агрокультурами и лесными хозяйствами, оказание помощи при бедствиях, моделирование климата. В данной статье рассматривается полный процесс распознавания и классификации объектов на спутниковых снимках Земли. Работа посвящена анализу использования сверточных нейронных сетей для обнаружения типов земной поверхности по данным дистанционного зондирования.

Цель. Рассмотреть задачу обучения сверточной нейронной сети, построенной на базе архитектуры U-Net с использованием минимальных ресурсов.

Результаты. Созданы две модели нейронной сети, которые содержали разные модификации начальной архитектуры и обучались на разных GPU. Для реализации исследования была выбрана библиотека Tensorflow в совокупности с высокоуровневой библиотекой Keras. Также использовалась программно-аппаратная архитектура параллельных вычислений CUDA. Исследование проводилось на ОС Ubuntu 16.04.6. По результатам эксперимента проведены сравнение результативности обученных моделей и анализ времени, затраченного на их обучение.

Практическая значимость. Точность окончательной классификации составляет 81% для объектов класса «Вода», 92% для класса «Леса» и 96% для объектов класса «Здания». Рассмотренный алгоритм может быть применен для выделения территорий городов, контроля над строительством и др.

1. Goodfellow I., Bengio Y., Courville A., Bach F. Deep learning (adaptive computation and machine learning series) // Cambridge Massachusetts. 2017. P. 321−359.
2. Géron A. Hands-on machine learning with scikit-learn and tensorflow: concepts, tools, and techniques to build intelligent systems // O'reilly Media. 2017. P. 8−21.
3. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. Изд-во МГТУ им. Н.Э. Баумана. 2004. 400 с.
4. Dey S. Hands-on image processing with python: expert techniques for advanced image analysis and effective interpretation of image data // Packt Publishing Ltd. 2018. P. 12−34.
5. Бобылева Е.А., Драч В.Е., Родионов А.В., Чухраев И.В. Решение задачи классификации символов с помощью каскадных классификаторов // Электромагнитные волны и электронные системы. 2017. Т. 22. № 3. С. 61−66.
6. Фролов П.В., Чухраев И.В., Гришанов К.М. Применение искусственных нейронных сетей в системах обнаружения вторжений // Системный администратор. 2018. № 9 (190). С. 80−83.
7. Гришанов К.М., Белов Ю.С. Методы выделения признаков для распознавания символов // Электронный журнал: наука, техника и образование. 2016. № 1 (5). С. 110−119.
8. Рыбкин С.В., Нестеров А.Ю. Подходы в распознавании дорожных знаков // Сб. статей Междунар. научно-практической конф. «Проблемы формирования единого научного пространства». 2017. В 4-х частях. С. 16−19.
9. Вершинин В.Е., Гришунов С.С., Логинова М.Б. Моделирование процессов распознавания и классификации многомерных объектов пересекающихся классов на основе представлений теории нечетких множеств // Наука, техника и образование (электронный журнал). 2016. № 1(5). С. 120−133.
10. Chityala R., Pudipeddi S. Image processing and acquisition using python // CRC Press. 2014. P. 37−55.
11. Нестеров А.Ю., Белов Ю.С. Cравнительный анализ функционирования алгоритма распознавания по контрольным точкам и результатов работы мобильного приложения ROADAR // Наука, техника и образование (электронный журнал). 2017. № CB1. С. 139−145.