О некоторых подходах к машинному обучению сверточных нейронных сетей в задачах обработки аэрофотоизображений различных форматов представления
Автор: Дзвинко Роман Валерьевич
Рубрика: Информатика и вычислительная техника
Статья в выпуске: 4, 2022 года.
Бесплатный доступ
В представленной научной работе приведен один из подходов к решению задачи распознавания образов на массиве исходных данных аэрофотоснимков различного разрешения и форматов представления. На основе критического анализа существующего инструментария был выбран механизм сверточных нейронных сетей для решения задач классификации, детектирования, сегментации и анализа произошедших изменений с малой дискретностью изменений. Автором работы предложена программная реализация выбранного способа распознавания, в том числе с решением задач моделирования объектов реального мира на картографической основе.
Сверточные нейросети, распознавание образов, изображение
Короткий адрес: https://sciup.org/148325185
IDR: 148325185 | DOI: 10.18137/RNU.V9187.22.04.P.120
Список литературы О некоторых подходах к машинному обучению сверточных нейронных сетей в задачах обработки аэрофотоизображений различных форматов представления
- Нгуен В.Ч. Разработка алгоритмов распознавания объектов воздушной съемки на основе сверточных нейронных сетей с иерархическим классификатором: дис. … канд. техн. наук: 05.13.01. М., 2022. 134 с.
- Qiang Chen, Quan-sen Sun, Pheng Ann Heng, De-shen Xia (2008) A double-threshold image binarization method based on edge detector. Pattern Recognition, 41:4, 1254–1267.
- Pitkanen J. (2001) Individual tree detection in digital aerial images by combining locally adaptive binarization and local maxima methods. Canadian Journal of forest research, 31:5, 832–844.
- Rosebrock A. (2015) Histogram of Oriented Gradients and Object Detection (Retrieved August 31, 2015). Available at: http://www.pyimagesearch.com/2014/11/10/histogramoriented-gradientsobject-detection (date of the application: 01.12.2022).
- Hinton G.E., Srivastava N. (2012) Improving neural networks by preventingco-adaptation of feature detectors, 2012. Available at: https://arxiv.org/abs/1207.0580 (date of the application: 01.12.2022).
- Cheng G., Zhou P., Han J.(2016) Learning rotation-invariant convolutional neural networks for object detection in VHR optical remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 54:12, 7405–7415.
- Ranka S., Mohan C., Mehrotra K., Menon A.(1996) Characterization of a class of sigmoid functions with applications to neural networks. Neural Networks, vol. 9, pp. 819–835.
- Каунг М.С., Абрамов Ю.А., Гинзгеймер С.А. Сверточные нейронные сети в задачах глубокого обучения // Международный студенческий научный вестник. 2018. № 5. URL : https://eduherald.ru/ru/article/view?id=18951 (дата обращения: 01.12.2022).
- Кыонг Н.Т., Сырямкин В.И., Тхуи Н.Ч.Х. Модель метода распознавания объектов на изображениях с использованием сверточной нейронной сети CNN // Современные наукоемкие технологии. 2020. № 12. С. 269–280.
- Боровская Е.В., Давыдова Н.А. Основы искусственного интеллекта: учеб. пособие. М.: Лаборатория знаний, 2020. 130 с.
- Остроух А.В. Введение в искусственный интеллект: монография. Красноярск: Научно-инновационный центр, 2020. 250 с.
- Родзин С.И. Системы искусственного интеллекта: учеб. пособие. Таганрог: ИКТИБ ЮФУ, 2015. 177 с.
- Спирин И.А. Разработка информационного обеспечения автоматизированной системы обнаружения объектов на изображении // Молодой ученый. 2017. № 4 (138). С. 61–64.
