Н.А. Андриянов1, А.Л. Ким2

1,2 Финансовый университет при Правительстве РФ (Москва, Россия)

1 naandriyanov@fa.ru, 2 alkim@fa.ru

Постановка проблемы. В настоящее время достаточно сложной задачей является повышение качества нейросетевых детекторов. Это, в первую очередь, связано с невозможностью многократного увеличения обучающих выборок. Вместе с тем известные методы аугментации хотя и обеспечивают некоторый прирост в точности, но имеют пределы насыщения. В задачах анализа спутниковых снимков на мониторинг пожаров особую роль играет каждая доля выигранного процента точности. В связи с этим необходимо рассмотреть нестандартные методы аугментации.

Цель. Рассмотреть методы на основе аугментации обучающей выборки с помощью генеративных моделей изображений для повышения точности обнаружения пожаров.

Результаты. Рассмотрены решения на базе открытых облачных сервисов генерации изображений. Предложено использовать различные архитектуры детекторов объектов, и выполнено их сравнение по точности. Показано, что применение генеративных моделей для расширения обучающей выборки в среднем на 1–2% эффективнее, чем использование стандартных методов дополнения данных. Представлен комбинированный подход к расширению базы обучающих изображений. Отмечено, что сочетание генеративных моделей и традиционных аугментаций позволяет повысить точность детектирования объектов на 4–5% по сравнению с использованием только стандартных дополнений. Установлено, что комбинированный метод расширения обучающей выборки с помощью как генеративных моделей, так и традиционных аугментаций, демонстрирует наилучшие результаты в задаче повышения точности детектирования пожаров на спутниковых снимках.

Практическая значимость. Полученные результаты исследования будут полезны специалистам в области компьютерного зрения, а разработанные модели могут быть применены специальными службами при мониторинге лесной территории с помощью спутниковых изображений.

Андриянов Н.А., Ким А.Л. Эффективное детектирование пожаров с использованием аугментаций генеративного происхождения // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 6. С. 14-22. DOI: https://doi.org/10.18127/j19998554-202406-03

1. Yuzugullu O., Lorenz F., Fröhlich P., Liebisch F. Understanding Fields by Remote Sensing: Soil Zoning and Property Mapping // Remote Sensing. 2020. V. 12. № 7. P. 1116. DOI 10.3390/rs12071116.
2. Фирсов Н.М., Хабибуллин А.Ф., Сащенко В.Н., Малицкий Р.Б., Платонов Е.Ю. Опыт обнаружения и мониторинга лесных пожаров по космическим снимкам // Леса России и хозяйство в них. 2019. № 4(71). С. 33–41.
3. Andriyanov N.A., Dement'ev V.E. Application of mixed models of random fields for the segmentation of satellite images // CEUR Workshop Proceedings. 2018. V. 2210. P. 219–226. DOI 10.18287/1613-0073-2018-2210-219-226.
4. Хрящев В.В., Приоров А.Л., Павлов В.А., Ивановский Л.И. Сегметрация объектов на спутниковых изображениях с использованием сверточных нейронных сетей // Успехи современной радиоэлектроники. 2019. № 6. С. 28–34. DOI 10.18127/ j20700784-201906-04.
5. Плотников Д.Е., Колбудаев П.А., Лупян Е.А. Автоматический метод субпиксельной географической привязки спутниковых изображений КМСС-М на основе актуализируемого эталона низкого пространственного разрешения // Компьютерная оптика. 2022. Т. 46. № 5. С. 818–827. DOI 10.18287/2412-6179-CO-1098.
6. Васильев К.К., Крашенинников В.Р. Адаптивные алгоритмы обнаружения аномалий на последовательности многомерных изображений // Компьютерная оптика. 1995. № 14-15-1. С. 125–132.
7. Buslaev A., Iglovikov V.I., Khvedchenya E., Parinov A., Druzhinin M., Kalinin A.A. Albumentations: Fast and flexible image augmentations // Information. 2020. V. 11. № 2. P. 125. DOI 10.3390/info11020125.
8. Dementyiev V.E., Vasilyiev K.K., Andriyanov N.A. Use of Images Augmentation and Implementation of Doubly Stochastic Models for Improving Accuracy of Recognition Algorithms Based on Convolutional Neural Networks // Systems of Signal Synchronization, Generating and Processing in Telecommunications. 2020. P. 9166000. DOI 10.1109/SYNCHROINFO49631.2020.9166000.
9. Шелковникова Т.Е., Егоров С.Ф., Гуляев П.В. Применение генеративно-состязательных нейросетей для формирования баз данных в сканирующей туннельной микроскопии // Компьютерная оптика. 2023. Т. 47. № 2. С. 314–322. DOI 10.18287/ 2412-6179-CO-1144.
10. Zhai J., Zhang S., Chen J., He Q. Autoencoder and Its Various Variants // IEEE International Conference on Systems, Man, and Cybernetics. 2018. P. 415–419. DOI 10.1109/SMC.2018.00080.
11. Pol A.A., Berger V., Germain C., Cerminara G., Pierini M. Anomaly Detection with Conditional Variational Autoencoders // 18th IEEE International Conference on Machine Learning and Applications. 2019. P. 1651–1657. DOI 10.1109/ICMLA.2019.00270.
12. Radford A., Kim J.W., Hallacy C., Ramesh A., Goh G., Agarwal S., Sastry G., Askell A., Mishkin P., Clark J., Krueger G., Sutskever I. Learning Transferable Visual Models from Natural Language Supervision. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/2103.00020, дата обращения 13.01.2024.
13. Gonog L., Zhou Y. A Review: Generative Adversarial Networks // 14th IEEE Conference on Industrial Electronics and Applications. 2019. P. 505–510. DOI 10.1109/ICIEA.2019.8833686.
14. Ахмад А., Андриянов Н.А., Соловьев В.И., Соломатин Д.А. Применение глубокого обучения для аугментации и генерации подводного набора данных с промышленными объектами // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2023. Т. 23. № 2. С. 5–16. DOI 10.14529/ctcr230201.
15. Rombach R., Blattmann A., Lorenz D., Esser P., Ommer B. High-Resolution Image Synthesis with Latent Diffusion Models // IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022. P. 10674–10685. DOI 10.1109/CVPR52688.2022.01042.
16. Andriyanov N. Using Neural Networks to Identify Parameters of Autoregressive Model with Multiple Roots of Characteristic Equations // 6th IEEE International Conference on Information Technology and Nanotechnology. 2020. P. 9253351. DOI 10.1109/ ITNT49337.2020.9253351.
17. Андриянов Н.А., Дементьев В.Е., Ташлинский А.Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана-Пирсона к детекторам на базе нейронных сетей // Компьютерная оптика. 2022. Т. 46. № 1. С. 139–159. DOI 10.18287/2412-6179-CO-922.