Идентификация и классификация объектов на изображениях, полученных с помощью съемочных средств БПЛА и орбитального базирования
https://doi.org/10.21122/2309-4923-2022-4-30-37
Аннотация
Для идентификации и классификации объектов на изображениях, полученных с помощью съемочных средств БПЛА и орбитального базирования, предложена нейросетевая модель классификации, основанная на использовании автоэнкодера и построенная по архитектуре ансамбля многослойных персептронов. При выделении информативных признаков дополнительно добавляется цветовая информация, инвариантная к масштабу и поворотам изображения и основанная на построении поканальных гистограмм. Модель реализована с использованием библиотеки Keras. Использование предложенной модели для классификации на четыре класса: «Пожар», «Задымление», «Растительность» и «Строения», позволяет достичь точности классификации выше 99 %.
Об авторах
А. А. ДудкинБеларусь
Дудкин Александр Арсентьевич, (13.10.1950 – 16.10.2022) доктор технических наук, профессор
В. В. Ганченко
Беларусь
Ганченко Валентин Вячеславович, кандидат технических наук
А. В. Инютин
Беларусь
Инютин Александр Владимирович
Е. Е. Марушко
Беларусь
Марушко Евгений Евгеньевич
Список литературы
1. Sentinel Hub EO Browser [Electronic resource]. – Mode of access: https://apps.sentinel-hub.com/eo-browser/?zoom=13&lat=50.20921&lng=30.23931&themeId=DEFAULT-THEME&visualizationUrl=https://services.sentinel-hub.com/ogc/wms/e35192fe-33a1-41f3-b798-b755e771c5a5&datasetId=AWS_LOTL1&fromTime=2015-06-09T00:00:00.000Z&toTime=2015-06-09T23:59:59.999Z&layerId=1_TRUE_COLOR/ – Date of access: 28.05.2022.
2. Орешкина Л. В. Обнаружение и распознавание класса объектов на многозональных изображениях дистанционного зондирования / Л. В. Орешкина // Информатика. – 2019. – №. 2 (6). – С. 79-85.
3. R. Kuga [et al.] Multi-task learning using multi-modal encoder-decoder networks with Kuga R. Multi-task learning using multi-modal encoder-decoder networks with shared skip connections / R. Kuga [et al.] // Proceedings of the IEEE International Conference on Computer Vision Workshops. – 2017. – С. 403-411.
4. Chen K. Deep Semantic Segmentation of Aerial Imagery Based on Multi-Modal Data / K. Chen [et al.] // IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. – 2018. – С. 6219-6222.
5. Feng D. [et al.] Deep multi-modal object detection and semantic segmentation for autonomous driving: Datasets, methods, and challenges // IEEE Transactions on Intelligent Transportation Systems. – 2020.
6. Kingma, D. P. Adam: A Method for Stochastic Optimization / D. P. Kingma, J. Ba // 3rd Intern. Conf. for Learning Representations, 7–9 May, 2015, San Diego. – San Diego, 2015. – Vol. 1412. – P. 6980.
7. Sokolova, M. Beyond accuracy, F-score and ROC: a family of discriminant measures for performance evaluation / M. Sokolova, N. Japkowicz, S. Szpakowicz // Advances in Artificial Intelligence : 19th Australian Joint Conf. on Artificial Intelligence, Hobart, 4–8 Dec., 2006. – Hobart, 2006. – P. 1015–1021.
Рецензия
Для цитирования:
Дудкин А.А., Ганченко В.В., Инютин А.В., Марушко Е.Е. Идентификация и классификация объектов на изображениях, полученных с помощью съемочных средств БПЛА и орбитального базирования. Системный анализ и прикладная информатика. 2022;(4):30-37. https://doi.org/10.21122/2309-4923-2022-4-30-37
For citation:
Doudkin A.A., Ganchenko V.V., Inyutin A.V., Marushko E.E. Identification and classification of objects in images obtained by UAV and orbital base imaging equipmenttion. «System analysis and applied information science». 2022;(4):30-37. (In Russ.) https://doi.org/10.21122/2309-4923-2022-4-30-37