Стереосопоставление спутниковых снимков с применением сверточных нейронных сетей
Аннотация
Вольнов Никита Викторович “Стереосопоставление спутниковых снимков с применением сверточных нейронных сетей”, выпускная квалификационная работа магистра: 52 страницы, 16 рисунков, 10 таблиц, 37 использованных источников.
Ключевые слова: СТЕРЕОСОПОСТАВЛЕНИЕ, СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ, ОБРАБОТКА ИЗОБРАЖЕНИЙ, СПУТНИКОВЫЕ СНИМКИ, ТРАНСФЕРНОЕ ОБУЧЕНИЕ, АУГМЕНТАЦИЯ ДАННЫХ
Целью работы является исследование существующих методов решения задачи стереосопоставления и применение сверточных нейронных сетей для стереосопоставлении спутниковых снимков. В работе рассмотрены различные подходы к решению данной задачи, выбрана подходящая сверточная нейронная сеть LEAStereo. Было проведено обучение с использованием техник дообучения (fine-tuning) и трансферного обучения (transfer learning), разработан конвейер аугментаций для спутниковых стереопар. Был проведен анализ результатов сети на двух спутниковых наборах данных, выявлены достоинства и недостатки решения, предложены пути улучшения качества работы. В результате была получена модель, превосходящая некоторые классические алгоритмы, такие как SGM с преобразованием Census и Graph Cut с дескриптором DAISY, в качестве работы на целевом наборе данных. Использовались технологии:
язык программирования Python;
библиотеки компьютерного зрения torchvision и OpenCV;
фреймворк для работы с нейронными сетями PyTorch.
Ключевые слова: СТЕРЕОСОПОСТАВЛЕНИЕ, СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ, ОБРАБОТКА ИЗОБРАЖЕНИЙ, СПУТНИКОВЫЕ СНИМКИ, ТРАНСФЕРНОЕ ОБУЧЕНИЕ, АУГМЕНТАЦИЯ ДАННЫХ
Целью работы является исследование существующих методов решения задачи стереосопоставления и применение сверточных нейронных сетей для стереосопоставлении спутниковых снимков. В работе рассмотрены различные подходы к решению данной задачи, выбрана подходящая сверточная нейронная сеть LEAStereo. Было проведено обучение с использованием техник дообучения (fine-tuning) и трансферного обучения (transfer learning), разработан конвейер аугментаций для спутниковых стереопар. Был проведен анализ результатов сети на двух спутниковых наборах данных, выявлены достоинства и недостатки решения, предложены пути улучшения качества работы. В результате была получена модель, превосходящая некоторые классические алгоритмы, такие как SGM с преобразованием Census и Graph Cut с дескриптором DAISY, в качестве работы на целевом наборе данных. Использовались технологии:
язык программирования Python;
библиотеки компьютерного зрения torchvision и OpenCV;
фреймворк для работы с нейронными сетями PyTorch.