Ускорение алгоритма сегментации мультиспектральных снимков дистанционного зондирования Земли, основанного на использовании сверточных нейронных сетей

Ускорение алгоритма сегментации мультиспектральных снимков дистанционного зондирования Земли, основанного на использовании сверточных нейронных сетей

Автор: Иванов Егор Сергеевич, Смирнов Александр Владимирович

Журнал: Программные системы: теория и приложения @programmnye-sistemy

Рубрика: Искусственный интеллект, интеллектуальные системы, нейронные сети

Статья в выпуске: 3 (54) т.13, 2022 года.

Бесплатный доступ

Предложен усовершенствованный подход к сегментации мультиспектральных снимков с использованием сверточных нейронных сетей (СНС). Оригинальный алгоритм учитывал некоторые погрешности, которые могли возникать в ходе обработки снимков СНС при помощи скользящего окна, и построен так, что устраняет эти проблемы. В предлагаемой модификации помимо классического поиска объектов СНС, использованы индексы \smallsf{NDVI} и \smallsf{NDWI}, которые имеют большой коэффициент корреляции с реальными объектами, присутствующими на снимках, а также пирамиды изображений. Все это в совокупности дает ускорение при обработке изображений.

Мультиспектральные снимки, дистанционное зондирование земли, сверточные нейронные сети, сегментация, пирамида изображений

Короткий адрес: https://sciup.org/143179413

IDR: 143179413   |   DOI: 10.25209/2079-3316-2022-13-3-99-112

Список литературы Ускорение алгоритма сегментации мультиспектральных снимков дистанционного зондирования Земли, основанного на использовании сверточных нейронных сетей

  • Oliveira R. A., R. N¨asi, O. Niemel¨ainen, Nyholm L., Alhonoja K., Kaivosoja J., Jauhiainen L., Viljanen N., Nezami S., Markelin L., Hakala T., Honkavaara E. Machine learning estimators for the quantity and quality of grass swards used for silage production using drone-based imaging spectrometry and photogrammetry // Remote Sensing of Environment.– 2020.– Vol. 246.– 111830. https://doi.org/10.1016/j.rse.2020.111830
  • Viljanen N., Honkavaara E., R. N¨asi, Hakala T., O. Niemel¨ainen, Kaivosoja J. A novel machine learning method for estimating biomass of grass swards using a photogrammetric canopy height model, images and vegetation indices captured by a drone // Agriculture.– 2018.– Vol. 8.– No. 5.– pp. 70. https://doi.org/10.3390/agriculture8050070
  • F. L´opez-Granados, J. Torres-S´anchez, de Castro A., A. Serrano-P´erez, Mesas-Carrascosa F. J., J. M. Pe˜na Object-based early monitoring of a grass weed in a grass crop using high resolution UAV imagery // Agronomy for sustainable development.– 2016.– Vol. 36.– No. 4.– 67.– 12 pp. https://doi.org/10.1007/s13593-016-0405-7
  • Родионова Н. В. Текстурная сегментация одноканальных изображений: примеры применения // Современные проблемы дистанционного зондирования Земли из космоса.– 2012.– Т. 9.– №3.– с. 65–69. [РИНЦ] hUtRtpL://d33.infospace.ru/d33_conf/sb2012t3/65-69.pdf ↑100
  • Абрамов Н. С., Макаров Д. А.,Талалаев А. А., ФраленкоВ. П. Современные методы интеллектуальной обработки данных ДЗЗ // Программные системы: теория и приложения.– 2018.– Т. 9.– №4.– с. 417–442. hUtRtpL://psta.psiras.ru/rehatdt/ppss:/ta/2d0o1i.8o_rg4/_1401.275-240492/.p2d0f79-3316-2018-9-4-417-442
  • Su T., Zhang S. Local and global evaluation for remote sensing image segmentation // ISPRS Journal of Photogrammetry and Remote Sensing.– 2017.– Vol. 130.– pp. 256–276. https://doi.org/10.1016/j.isprsjprs.2017.06.003
  • Wang M., Dong Z., Cheng Y., Li D. Optimal segmentation of high-resolution remote sensing image by combining superpixels with the minimum spanning tree // IEEE Transactions on Geoscience and Remote Sensing.– 2017.– Vol. 56.– No. 1.– pp. 228–238. https://doi.org/10.1109/TGRS.2017.2745507
  • Basaeed E., Bhaskar H., Al-Mualla M. Supervised remote sensing image segmentation using boosted convolutional neural networks // Knowledge-Based Systems.– 2016.– Vol. 99.– pp. 19–27. https://doi.org/10.1016/j.knosys.2016.01.028
  • AbramovN. S.,TalalayevA. A.,FralenkoV. P., ShishkinO. G.,KhachumovV. M. Neural network technology to search for targets in remote sensing images of the Earth, V International Conference on "Information Technology and Nanotechnology"(ITNT-2019), CEUR Workshop Proceedings.– vol. 2391.– 2019.– pp. 180–186. hUtRtpL://ceur-ws.org/Vol-2391/paper25.pdf
  • Kemker R., Salvaggio C., Kanan C. Efficient flame detection based on static and dynamic texture analysis in forest fire detection // Algorithms for semantic segmentation of multispectral remote sensing imagery using deep learning.– 2018.– Vol. 145.– pp. 60–70. https://doi.org/10.1016/j.isprsjprs.2018.04.014
  • Murugan P. Implementation of deep convolutional neural network in multi-class categorical image classification.– 2018.– 22 pp. arXivarXiv 1801.01397 [cs.CV] https://doi.org/10.48550/arXiv.1801.01397
  • Ma C., Li Y., Yang F., Zhang Z., Zhuang Y., Jia H., Xie X. Deep association: End-to-end graph-based learning for multiple object tracking with conv-graph neural network // ICMR ’19: Proceedings of the 2019 on International Conference on Multimedia Retrieval (June 10–13, 2019, Ottawa, ON, Canada), New York: ACM.– 2019.– ISBN 978-1-4503-6765-3.– pp. 253–261. https://doi.org/10.1145/3323873.3325010
  • Emmy Prema C., Vinsley S. S., Suresh S. Efficient flame detection based on static and dynamic texture analysis in forest fire detection // Fire technology.– 2019.– Vol. 54.– No. 1.– pp. 255–288. https://doi.org/10.1007/s10694-017-0683-x
  • Chang T., Rasmussen B.P., Dickson B. G., Zachmann L. J. Chimera: A multi-task recurrent convolutional neural network for forest classification and structural estimation // Remote Sensing.– 2019.– Vol. 11.– No. 7.– pp. 768. https://doi.org/10.3390/rs11070768
  • Иванов Е. С., Тищенко И. П., Виноградов А. Н. Сегментация мультиспектральных снимков с применением сверточных нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса.– 2019.– Т. 16.– №1.– с. 25–34. [РИНЦ] https://doi.org/10.2104hU6t/Rt2pL0:7/0/-d73430.1in-2fo0s1p9a-1ce6.-r1u-/2d5-3334_conf/sb2019t1/25-34.pdf
  • Виноградов А. Н., Иванов Е. С., Тищенко И.П. Применение комбинированной сегментации для распознавания мультиспектральных снимков дистанционного зондирования Земли // Системный анализ в проектировании и управлении, сборник научных трудов XXIV Международной научной и учебно-практической конференции, в 3 ч..– Т. 2 (13–14 октября 2020 г., Санкт-Петербург, Россия), СПб: Политех-Пресс.– 2020.– с. 219–228. [РИНЦ] https://doi.org/10.18720/SPBPU/2/id20-170
  • Zhao H., Shi J., Qi X., Wang X., Jia J. Pyramid scene parsing network // 2017 IEEE Conference on Computer Vision and Pattern Recognition, CVPR (21–26 July 2017, Honolulu, HI, USA).– 2017.– pp. 6230–6239. https://doi.org/10.1109/CVPR.2017.660
  • Liu Y., Gross L., Li Z., Li X., Fan X., Qi W. Automatic building extraction on high-resolution remote sensing imagery using deep convolutional encoder-decoder with spatial pyramid pooling // IEEE Access.– 2019.– Vol. 7.– pp. 128774–128786. https://doi.org/10.1109/ACCESS.2019.2940527
  • Yu B., Yang L., Chen F. Semantic segmentation for high spatial resolution remote sensing images based on convolution neural network and pyramid pooling module // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.– 2018.– Vol. 11.– No. 9.– pp. 3252–3261. https://doi.org/10.1109/JSTARS.2018.2860989
  • Chai H., Yan C., Zou Y., Chen Z. Land cover classification of remote sensing image of Hubei Province by using PSP Net // Geomatics and Information Science of Wuhan University.– 2021.– Vol. 49.– No. 8.– pp. 1224–1232. https://doi.org/10.13203/j.whugis20190296
  • Yuan X., Chen Z., Chen N., Gong J. Land cover classification based on the PSPNet and superpixel segmentation methods with high spatial resolution multispectral remote sensing imagery // Journal of Applied Remote Sensing.– 2021.– Vol. 15.– No. 3.– 034511. https://doi.org/10.1117/1.JRS.15.034511
Еще
Статья научная
SciUp 2024 © 2024 ©