Исследование применимости сверточной нейронной сети U-Net к задаче сегментации изображений авиационной техники
Автор: Гаврилов Дмитрий Александрович
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 4 т.45, 2021 года.
Бесплатный доступ
В работе проведено исследование применимости сверточной нейронной сети U-Net к задаче сегментации изображений авиационной техники. Метод нейросетевой сегментации изображений основан на реализации Сarvana c архитектурой типа U-Net, для распознавания ориентации использована нейросеть, построенная в открытой нейросетевой библиотеке Keras на основе предобученной нейронной сети VGG16. Рассмотренный подход позволяет осуществлять сегментацию изображений. Результаты проведенных экспериментов показали возможность достаточно точного (0,94 - 0,96) выделения объекта интереса. Полученные бинарные маски позволяют визуально судить о классе самолета, имеющегося на изображении.
Техническое зрение, обнаружение, локализация, нейронная сеть, распознавание, обработка изображений
Короткий адрес: https://sciup.org/140290252
IDR: 140290252 | DOI: 10.18287/2412-6179-CO-804
Investigation of the applicability of the convolutional neural network U-Net to a problem of segmentation of aircraft images
The paper investigates the applicability of the convolutional neural network "U-Net" to a problem of segmentation of aircraft images. The neural network image segmentation method is based on the "Carvana" implementation with the "U-Net" architecture. For orientation recognition, a neural network built in the Keras open neural network library based on the pretrained VGG16 neural network is used. The approach considered allows the image segmentation to be conducted. The results of the experiments have shown the possibility of a fairly accurate selection of the object of interest. The resulting binary masks make it possible to visually classify the aircraft in the image.
Список литературы Исследование применимости сверточной нейронной сети U-Net к задаче сегментации изображений авиационной техники
- Белов, А.М Алгоритм выявления случайных искажений в составе сцены на серии разновременных изображений ДЗЗ одной и той же территории / А.М. Белов, А.Ю. Денисова // Компьютерная оптика. - 2019. - Т. 43, № 5. - С. 869-885. -DOI: 10.18287/2412-6179-2019-43-5-869-885.
- Борзов, С.М. Исследование эффективности классификации трудноразличимых типов растительности по гиперспектральных изображениям / С.М. Борзов, М.А. Гурьянов, О.И. Потатуркин // Компьютерная оптика. - 2019. - Т. 43, № 3. - С. 464-473. - DOI: 10.18287/2412-6179-2019-43-3-464-473.
- Lovtsov, D.A. Automated special purpose optical electronic system's functional diagnosis / D.A. Lovtsov, D.A. Gavrilov // 2019 International Seminar on Electron Devices Design and Production (SED). - 2019. - 4 p. -DOI: 10.1109/SED.2019.8798409.
- Gavrilov, D.A. Quality assessment of objects detection and localization in а video stream / D.A. Gavrilov // Вестник МГТУ им. Н.Э. Баумана. Серия Приборостроение. -2019. - Т. 125, № 2. - С. 40-55.
- Гаврилов, Д.А. Поточная аппаратная реализация алгоритма SURF / Д.А. Гаврилов, А.В. Павлов // Известия высших учебных заведений. Электроника. - 2018. -Т. 23, № 5. - С. 502-511.
- Паркалов, А. В. Применение нейронных и семантических сетей для сегментации растровых изображений земной поверхности / А.В. Паркалов // Открытые семантические технологии проектирования интеллектуальных систем (OSTIS-2012). - 2012. - С. 527-530.
- Ревякин, А.М. Подходы к разработке системы распознавания для решения задачи определения контента цифровых изображений [Электронный ресурс] / А.М. Ревякин, А.В. Скурнович // Науковедение. - 2016. - Т. 8, № 4. - URL: https://naukovedenie.ru/PDF/30TVN416.pdf (дата обращения 02.11.2020).
- Дюдин, М.В. Методы и алгоритмы контурного анализа для задач классификации сложноструктурируемых изображений / М.В. Дюдин, А.Д. Поваляев, Е.С. Подвальный, Р.А. Томакова // Вестник Воронежского государственного технического университета. -2014. - Т. 3, № 1. - С. 54-59.
- Местецкий, Л.М. Непрерывная морфология бинарных изображений: фигуры, скелеты, циркуляры / Л.М. Местецкий. - Москва: Физматлит, 2009.
- Друки, А. А. Сематическая сегментация данных дистанционного зондирования земли при помощи нейросете-вых алгоритмов / А.А. Друки, В.Г. Спицын, Ю.А. Больтова, А.А. Башлыков // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2018. - Т. 329, № 1. - С. 59-68.
- Ronneberger, O. U-Net: Convolutional networks for biomedical image segmentation / O. Ronneberger, Ph. Fischer, Th. Brox. - In: Medical image computing and computerassisted intervention - MICCAI 2015/ ed. by N. Navab, J. Hornegger, W.M. Wells, A.F. Frangi. – New York: Springer International Publishing Switzerland, 2015. - Part III. -P. 234-241. - DOI: 10.1007/978-3-319-24574-4_28.
- Carvana image masking challenge-1st place winner's interview [Electronical Resource]. - 2017. - URL: http://blog.kaggle.com/2017/12/22/carvana-image-masking-first-place-interview/ (request date 22.07.2020).
- Keras [Electronical Resource]. - URL: https://keras.io/ (request date 22.07.2020).
- Simonyan, K. Very deep convolutional networks for large-scale image recognition / K. Simonyan, A. Zisserman // 3rd International Conference on Learning Representations (ICLR 2015). - 2015. - 14 p.
- Nanda, Y. What is the VGG neural network? [Electronical Resource] / Y. Nanda. - 2018. - URL: https://www.quora.com/What-is-the-VGG-neural-network (request date 22.07.2020).
- Gavrilov, D.A. A method for aircraft labeling in remote sensing images based on continuous morphological models / D.A. Gavrilov, L.M. Mestetskiy, A.B. Semenov // Programming and Computer Software. - 2019. - Vol. 45, Issue 6. - P. 303-310.
