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
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.
