Применение сверточных нейронных сетей для тематического картографирования последовательностей спутниковых многозональных изображений

В.Е. Дементьев; Д.С. Кондратьев; А.Г. Френкель

Применение сверточных нейронных сетей для тематического картографирования последовательностей спутниковых многозональных изображений

В.Е. Дементьев¹, Д.С. Кондратьев², А.Г. Френкель³

научная статья УДК 528.8 Страницы: 29-32

¹ к.т.н., доцент, кафедра «Телекоммуникации», Ульяновский государственный технический университет
^2,3 аспирант, кафедра «Телекоммуникации», Ульяновский государственный технический университет

Ключевые слова: спутниковые изображения сегментация нейронные сети классификация изображений обработка временных последовательностей

Аннотация

Получено решение задачи тематического картографирования временных последовательностей многозональных изображений. В качестве основы алгоритма классификации использована нейросетевая процедура на основе модифицированной сети UNET. Предложено использовать несколько опорных результатов классификаций за предыдущие моменты времени для улучшения качества обработки спутникового материала. Показана состоятельность данного подхода по результатам обработки временных последовательностей многозональных изображений. Выполнено сравнительное исследование с альтернативными классификаторами.

Для цитирования

Дементьев В.Е., Кондратьев Д.С., Френкель А.Г. Применение сверточных нейронных сетей для тематического картографирования последовательностей спутниковых многозональных изображений // Радиотехника. 2018. № 6. С. 29–32.

Список источников

Гонсалес Р., Вудс Р. Цифровая обработка изображений. Изд. 3-е. М.: Техносфера. 2012. 1104 с.
Васильев К.К., Крашенинников В.Р. Статистический анализ изображений. Ульяновск: УлГТУ. 2014. 214 с.
Фурсов В.А., Бибиков С.А., Байда О.А. Тематическая классификация гиперспектральных изображений по показателю сопряженности // Компьютерная оптика. 2014. Т. 38. № 1. С. 154−158.
Зимичев Е.А., Казанский Н.Л., Серафимович П.Г. Пространственная классификация гиперспектральных изображений с использованием метода кластеризации k-means++ // Компьютерная оптика. 2014. Т. 38. № 2. С. 281−286.
Tarabalka Y., Benediktsson J.A., Chanussot J. Spectral–spatial classification of hyperspectral imagery based on partitional clustering techniques // IEEE Transactions on Geoscience and Remote Sensing. 2009. V. 47(8). P. 2973−2987.
Дементьев В.Е., Кондратьев Д.С. Метод тематического картографирования последовательностей спутниковых изображений // Информационно-измерительные и управляющие системы. 2017. Т. 15. № 12. С. 49−53.
Dstl Satellite Imagery Feature Detection. URL = https://www.kaggle.com/c/dstl-satellite-imagery-feature-detection.

[1] Гонсалес Р., Вудс Р. Цифровая обработка изображений. Изд. 3-е. М.: Техносфера. 2012. 1104 с.

[2] Васильев К.К., Крашенинников В.Р. Статистический анализ изображений. Ульяновск: УлГТУ. 2014. 214 с.

[3] Фурсов В.А., Бибиков С.А., Байда О.А. Тематическая классификация гиперспектральных изображений по показателю сопряженности // Компьютерная оптика. 2014. Т. 38. № 1. С. 154−158.

[4] Зимичев Е.А., Казанский Н.Л., Серафимович П.Г. Пространственная классификация гиперспектральных изображений с использованием метода кластеризации k-means++ // Компьютерная оптика. 2014. Т. 38. № 2. С. 281−286.

[5] Tarabalka Y., Benediktsson J.A., Chanussot J. Spectral–spatial classification of hyperspectral imagery based on partitional clustering techniques // IEEE Transactions on Geoscience and Remote Sensing. 2009. V. 47(8). P. 2973−2987.

[6] Дементьев В.Е., Кондратьев Д.С. Метод тематического картографирования последовательностей спутниковых изображений // Информационно-измерительные и управляющие системы. 2017. Т. 15. № 12. С. 49−53.

[7] Dstl Satellite Imagery Feature Detection. URL = https://www.kaggle.com/c/dstl-satellite-imagery-feature-detection.

Аннотация

Для цитирования

Похожие статьи