Е.А. Антохин1, А.А. Залищук2, В.А. Ненашев3, С.А. Ненашев4

1-4 Санкт-Петербургский государственный университет аэрокосмического приборостроения (Санкт-Петербург, Россия)

1 fresguap@mail.ru; 2 sacha1501@yandex.ru; 3 nenashev.va@yandex.ru; 4 nenashev_sergey178@mail.ru

Постановка проблемы. Ключевым аспектом обработки и анализа данных в авиационных системах с техническим зрением является классификация изображений земной поверхности с целью оценки ее состояния. С каждым годом объем доступных изображений земной поверхности увеличивается, что дает возможность повысить точность автоматической классификации отдельных зон земной поверхности. Однако извлечение полезной информации из больших объемов данных без применения нейросетевых технологий представляет собой долгий и субъективный процесс. Следовательно, требуется не только ускорить процесс обработки больших массивов данных, но и выбрать наиболее подходящую нейронную сеть (НС), обеспечивающую высокую вероятность классифицирования зон земной поверхности по оптическим изображениям.

Цель. Провести сравнительный анализ отобранных моделей НС, используемых для классификации зон земной поверхности на основе анализа оптических изображений, и оценить эти модели для выявления наиболее подходящей для данного типа больших данных с точки зрения быстродействия классификации и точности выдаваемого результата.

Результаты. Проведено исследование современных моделей НС на основе сравнительного анализа их метрик качества при решения задачи классификации. Установлено, что наибольшую эффективность при классификации зон земной поверхности показывает НС «InceptionV3», которая использует предварительно обученную архитектуру и обладает широкими возможностями выделения признаков, что позволяет ей фиксировать важные закономерности и структуры на большом наборе изображений. Показано, что анализируемые модели НС, такие как «ResNet» и «MobileNetV2», имеют ме́ньшую точность, чем НС «InceptionV3», что делает их менее приемлемым выбором для решения поставленной задачи.

Практическая значимость. Результаты проведенного исследования имеют существенное значение для анализа изображений земной поверхности в таких различных областях, как мониторинг земной поверхности, картографирование растительного покрова, городское планирование, оперативное реагирование на стихийные бедствия. Точная классификация изображений земной поверхности позволяет принимать оперативные решения в автоматическом режиме, а применение предварительно обученных моделей НС обеспечивает требуемые показатели метрик качества при решении задачи классификации зон земной поверхности по оптическим изображениям.

Антохин Е.А., Залищук А.А., Ненашев В.А., Ненашев С.А. Сравнительный анализ нейросетевых моделей для классификации зон земной поверхности по оптическим изображениям // Радиотехника. 2024. Т. 88. № 8. С. 35-44. DOI: https://doi.org/10.18127/j00338486-202408-04

1. Ненашев В.А. Особенности классификации подстилающих поверхностей земли по характеристикам эхо-сигналов в бортовых РЛС // Труды МАИ. 2021. № 118. DOI: 10.34759/trd-2021-118-11.
2. Бакунов Д.В., Плюшкин С.А., Соловьев Д.А. Модель машинного обучения для классификации земной поверхности на основе спутниковых изображений // Известия РАН, 2017. Т. 72. № 3. С. 425-438.
3. Виноградов С.А., Кузнецов Д.В., Перелыгин В.П. Оценка качества моделей машинного обучения для задач анализа спутниковых изображений // Известия РАН. 2017. Т. 72. № 3. С. 439-452.
4. EuroSAT: Land Use and Land Cover Classification with Sentinel-2 // GitHub URL: https://github.com/phelber/EuroSAT (дата обращения: 21.11.2023).
5. El-Sayed A., et al. Assessing the potential of machine learning algorithms for land cover classification using remote sensing data // Remote Sensing. Sep. 2019. V. 11. № 9. Р. 1153–1176.
6. Alzahabi S., Alzahabi A., AlZahabi A. A Comprehensive review of machine learning techniques for land cover classification. 2020.
7. Dandin D.D., Shrivastava S.K., Shukla S.K. A comparative study of land cover classification techniques in remote sensing: A review // Journal of Remote Sensing. 2018. V. 42. № 3. Р. 1450–1476.
8. Shrivastava S.K., Shukla S.K., Mishra S.K. Machine learning for land cover classification using remote sensing data. A Review. 2017.
9. Rich feature hierarchies for accurate object detection and semantic segmentation // arxiv URL: https://arxiv.org/abs/1311.2524 (дата обращения: 11.11.2023).
10. Howard A.G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H. Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861. 2017.
11. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // CVPR. 2016. Р. 770-778.
12. Liu S., Deng W. Very deep convolutional neural network-based image classification using small training sample size // 2015. 3rd IAPR Asian Conference on Pattern Recognition (ACPR) (Kuala Lumpur. Malaysia. 03–06 November 2015). 2015. Р. 730-734.
13. Szegedy Ch., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Rethinking the inception architecture for computer vision // 2016. IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (Las Vegas. NV. USA. 27–30 June 2016). 2016. Р. 2818-2826.
14. Gong J., Liu X., Zhang X. A review of land cover classification methods based on remote sensing images using machine learning algorithms // Journal of Remote Sensing. 2018. V. 42. № 3. Р. 1350-1373.
15. El-Sayed A., El-Bakry M. A survey of methods for land cover classification using remote sensing data. 2018.
16. Zhang H., et al. Accurate land cover classification using deep learning and its application in remote sensing // Remote Sensing. 2019. V. 11. № 8. Р. 1075-1092.
17. Ненашев В.А., Ханыков И.Г. Формирование комплексного изображения земной поверхности на основе кластеризации пикселей локационных снимков в многопозиционной бортовой системе // Информатика и автоматизация. 2021. Т. 20. № 2. С. 302-340. DOI: 10.15622/ia.2021.20.2.3.
18. Nenashev V.A., Khanykov I.G. Formation of fused images of the land surface from radar and optical images in spatially distributed on-board operational monitoring systems // Journal of Imaging. 2021. V. 7. № 12. DOI: 10.3390/jimaging7120251.
19. Nenashev V.A., Shepeta A.P., Kryachko A.F. Fusion radar and optical information in multiposition on-board location systems // 2020 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF 2020. Saint-Petersburg. 01–05 June 2020). Saint-Petersburg, 2020. P. 9131451. DOI: 10.1109/WECONF48837.2020.9131451.
20. Сенцов А.А., Ненашев В.А., Иванов С.А., Турнецкая Е.Л. Совмещение сформированных радиолокационных изображений с цифровой картой местности в бортовых системах оперативного мониторинга земной поверхности // Труды МАИ. 2021. № 117. DOI: 10.34759/trd-2021-117-08.