Д.С. Куманькин1, С.А. Ямашкин2, С.А. Федосин3

1–3 Национальный исследовательский Мордовский государственный университет им. Н.П. Огарева (г. Саранск, Россия)
1 d.kumankin@gmail.com; 2 yamashkinsa@mail.ru; 3 fedosinsa@mrsu.ru

Постановка проблемы. Географическая привязка спутниковых изображений играет ключевую роль в обработке геопространственных данных, поскольку точность привязки напрямую влияет на качество последующего анализа и интерпретации данных. Традиционные методы геопривязки, такие как ручное аннотирование с использованием опорных точек или применение дескрипторных алгоритмов (SIFT, SURF, ORB), обладают определенными недостатками. Эти методы требуют значительных временных и трудовых затрат, особенно при работе с большими объемами данных, и часто зависят от человеческого фактора, что может приводить к субъективным ошибкам. Иногда существующие методы геопривязки не учитывают сложные нелинейные зависимости, возникающие в условиях изменяющейся освещенности, углов съемки и сезонных изменений ландшафта. Игнорирование этих нелинейных факторов может приводить к значительным искажениям в процессе привязки, снижая общую точность обработки данных. Необходимо разработать метод геопривязки спутниковых изображений, который сочетал бы высокую точность, быстродействие и устойчивость к изменяющимся условиям съемки, с учетом возможных нелинейных зависимостей, для повышения эффективности обработки геопространственных данных в реальных условиях.

Цель. Разработать метод уточнения географической привязки спутниковых изображений на основе сиамских нейронных сетей.

Результаты. Установлено, что использование сиамских нейронных сетей для задачи геопривязки спутниковых изображений демонстрирует сопоставимую с дескрипторными методами точность, при этом значительно превосходя их по скорости обработки. Выявлено, что среднее время на обработку одного изображения составило 0,112 с. Отмечено, что наилучшая точность привязки была достигнута при разрешении 10 м на пиксель, где средняя абсолютная ошибка (MAE) составила 18,3 м в осенний период. При большем разрешении точность уменьшалась, однако метод все еще показывал стабильные результаты даже при разрешении 50 м на пиксель. Показано, что предложенный метод с использованием сиамских нейронных сетей способен учитывать и адаптироваться к нелинейным процессам, таким как вариативность освещенности и рельефа, что делает его более устойчивым к изменениям условий съемки по сравнению с традиционными алгоритмами.

Практическая значимость. Предложенный метод позволяет значительно ускорить процесс геопривязки, что особенно важно при обработке больших объемов данных в автоматическом режиме. Это открывает возможности для использования метода в задачах мониторинга и картографии, где требуется высокая точность при минимальных временных затратах. Применение сиамских сетей может сократить время на обработку и повысить точность в сложных ландшафтах, таких как леса и луговые территории, что имеет практическое значение для экологии, сельского хозяйства и управления территориями.

1. How Do I Use Ground Control Points? [Электронный ресурс]. URL: https://www.dronedeploy.com/blog/what-are-ground-control-points-gcps (дата обращения: 15.09.2024).
2. Otero I.R. Anatomy of the SIFT method: phdthesis. École normale supérieure de Cachan. ENS Cachan, 2015.
3. Bay H., Ess A., Tuytelaars T., Van Gool L. Speeded-Up Robust Features (SURF). Computer Vision and Image Understanding. 2008. V. 110. № 3. P. 346–359.
4. Rublee E., Rabaud V., Konolige K., Bradski G. ORB: An efficient alternative to SIFT or SURF. 2011 International Conference on Computer Vision. 2011. P. 2564–2571.
5. Dey S., Dutta A., Saha S., Ghosh S. Signet: Convolutional Siamese Network for Writer Independent Offline Signature Verification: arXiv:1707.02131. arXiv, 2017.
6. Douze M., Johnson J., Jégou H. The Faiss library: arXiv:2401.08281. arXiv, 2024.
7. Neubeck A., Van Gool L. Efficient Non-Maximum Suppression. 18th International Conference on Pattern Recognition (ICPR’06). 2006. V. 3. P. 850–855.
8. Hosang J., Benenson R., Schiele B. Learning Non-Maximum Suppression. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017. P. 4507–4515.
9. Куманькин Д.С., Ямашкин С.А. Архитектурные принципы построения конвейеров машинного обучения для решения задачи управления процессом анализа данных дистанционного зондирования Земли // Нелинейный мир. 2023. Т. 21. № 3. С. 27–37.