В.В. Хрящев – к.т.н., доцент, Ярославский государственный университет им. П.Г. Демидова
E-mail: vhr@yandex.ru
А.Л. Приоров – д.т.н., доцент, Ярославский государственный университет им. П.Г. Демидова
E-mail: andcat@yandex.ru
В.А. Павлов – аспирант, Ярославский государственный университет им. П.Г. Демидова
E-mail: vladimir@1pavlov.com
Л.И. Ивановский – аспирант, Ярославский государственный университет им. П.Г. Демидова
E-mail: leon19unknown@gmail.com

Постановка проблемы. Задача анализа данных на снимках дистанционного зондирования земли является актуальной для большого числа прикладных задач, которые могут быть автоматизированы с помощью применения алгоритмов компьютерного зрения. В исследовании применялись снимки со спутниковых группировок Landsat-8 и PlanetScope с разрешением 30 м/пиксель и 3 м/пиксель соответственно. Обучение нейронных сетей производилось на разметке DSTL и собственном наборе изображений территории Российской Федерации, размеченном независимыми экспертами. Первый эксперимент содержит сравнение трех нейронных сетей TLinkNet, SegNet и U-Net через коэффициент Серенсена. Наилучший результат получен с использованием алгоритма U-Net, где значение коэффициента Серенсена составило 0,75 против 0,45 у SegNet и 0,68 у TLinkNet. Для улучшения точности сегментации произведено смешение двух наборов изображений с разным графическим разрешением. Также в работе приводится анализ современных датасетов спутниковых снимков с разметкой на 21 класс объектов, которые могут применяться для обучения алгоритмов компьютерного зрения.

Цель. Сравнить современные нейросетевые подходы по сегментации спутниковых изображений и создать алгоритм сегментации трех классов объектов: «водные ресурсы», «сельское хозяйство» и «лес».

Результаты. Выбранный подход позволил повысить точность выделения границ объектов на 18,28%. Наилучшая точность сегментации достигнута на классе «сельское хозяйство», составив 96,31% на изображениях PlanetScope.

Практическая значимость. Создан сегментирующий алгоритм трех классов объектов на основе алгоритма U-Net. Полученный алгоритм может быть использован в задачах точного землепользования, градостроительства и в задачах охраны природных ресурсов, а также являться основой для создания систем принятия решений на базе анализа спутниковых снимков.

1. Сайфеддин Д., Булгаков А.Г., Круглова Т.Н. Нейросетевая система отслеживания местоположения динамического агента на базе квадрокоптера // Инженерный вестник Дона. 2014. № 1. URL: ivdon.ru/magazine/archive/n1y2014/2293.
2. Плуготаренко Н.К., Варнавский А.Н. Применение нейронных сетей для построения модели прогнозирования состояния городской воздушной среды // Инженерный вестник Дона. 2012. № 4-2. URL: ivdon.ru/magazine/archive/n4p2y2012/1351.
3. Соловьев Р.А., Тельпухов Д.В., Кустов А.Г. Автоматическая сегментация спутниковых снимков на базе модифицированной сверточной нейронной сети UNET // Инженерный вестник Дона. 2017. № 4. URL: http://ivdon.ru/ru/magazine/ archive/ n4y2017/4433.
4. Khryashchev V., Ivanovsky L., Pavlov V., Ostrovskaya A., Rubtsov A. Comparison of Different Convolutional Neural Network Architectures for Satellite Image Segmentation // 23rd Conference of Open Innovations Association (FRUCT). 2018. P. 172–179.
5. Khryashchev V., Pavlov V., Priorov A., Ostrovskaya A. Deep learning for region detection in high-resolution aerial images // IEEE East-West Design & Test Symposium (EWDTS). 2018. P. 1–5.
6. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Arxiv.Org. 2015. URL: arxiv.org/abs/1505.04597.
7. Goodfellow Y., Bengio Y., Courville A. Deep Learning // The MIT Press. 2016. P. 800.
8. Van Etten A. You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery. URL: https://arxiv.org/abs/1805. 09512.
9. LandSat Database [Электронный ресурс]. URL: https://landsat.visibleearth.nasa.gov.
10. ImageNet Database [Электронный ресурс]. URL: http://www.image-net.org.
11. DeepGlobe. CVPR 2018 – Satellite Challenge [Электронный ресурс]. URL: http://deepglobe.org.
12. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation. CoRR, abs/1411.4038. 2014. URL: https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdf.
13. Ohleyer S. Building segmentation on satellite images. URL: https://project.inria.fr/aerialimagelabeling/files/2018/ 01/fp_ohleyer_compressed.pdf.
14. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI). Springer, LNCS. 2015. V. 9351. P. 234–341.
15. Basu S., Ganguly S., Mukhopadhyay S., DiBiano R., Karki M., Nemani R. DeepSat A Learning framework for Satellite Imagery. URL: https://bit.csc.lsu.edu/~saikat/publications/sigproc-sp.pdf.
16. Chhor G., Aramburu C.B. Satellite Image Segmentation for Building Detection using U-net. URL: http://cs229.stanford.edu/ proj2017/final-reports/5243715.pdf.
17. Maggiori E., Tarabalka Y., Charpiat G., Alliez P. Can Semantic Labeling Methods Generalize to Any City? The Inria Aerial Image Labeling Benchmark // IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2017.
18. DSTL Satellite Imagery Feature Detection. Режим доступа: https://www.kaggle.com/c/dstl-satellite-imagery-feature-detection.
19. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer, LNCS. 2015. V. 9351: P. 234–241.
20. Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. V. 39(12). P. 2481–2495.
21. Chaurasia A., Culurciello E. LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation // IEEE Visual Communications and Image Processing (VCIP). 2017. URL: https://arxiv.org/pdf/1707.03718.pdf.