ВЫДЕЛЕНИЕ ВОДНЫХ ОБЪЕКТОВ НА СПУТНИКОВЫХ СНИМКАХ ЗЕМНОЙ ПОВЕРХНОСТИ
Аннотация
Пестрецов Глеб Максимович «Выделение водных объектов на спутниковых спутниках земной поверхности», выпускная квалификационная работа магистра: 48 страниц, 68 рисунков, 11 таблиц, 27 использованных источников.
Ключевые слова: СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ, ОБРАБОТКА ИЗОБРАЖЕНИЙ, СПУТНИКОВЫЕ СНИМКИ, АУГМЕНТАЦИЯ ДАННЫХ, СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ, ВОДА, ВОДНЫЕ ОБЪЕКТЫ
Целью работы является исследование существующих методов решения задачи выделения водных объектов на спутниковых снимках земной поверхности и применение сверточных нейронных сетей для решения данной задачи. В работе рассмотрены различные подходы к решению данной задачи. Было проведено обучение с использованием техник дообучения (fine-tuning), применены аугментации изображений. Обучение проводилось на четырех открытых наборах данных, далее сети дообучались на наборе фрагментов снимка российского города, предоставленного ИММ УрО РАН, далее этот набор обозначается как RG3. Проведен сравнительный анализ результатов сетей и подобран оптимальный набор параметров модели, распознающей водные объекты на наборе RG3 с точностью 89% и на наборе LoveDA с точностью 76%. Использовались технологии:
● язык программирования Python;
● библиотеки компьютерного зрения torchvision и OpenCV;
● библиотека для аугментирования данных Albumentations;
● фреймворк для работы с нейронными сетями PyTorch;
● библиотека с готовыми моделями нейронных сетей Segmentation Models
PyTorch.
Ключевые слова: СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ, ОБРАБОТКА ИЗОБРАЖЕНИЙ, СПУТНИКОВЫЕ СНИМКИ, АУГМЕНТАЦИЯ ДАННЫХ, СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ, ВОДА, ВОДНЫЕ ОБЪЕКТЫ
Целью работы является исследование существующих методов решения задачи выделения водных объектов на спутниковых снимках земной поверхности и применение сверточных нейронных сетей для решения данной задачи. В работе рассмотрены различные подходы к решению данной задачи. Было проведено обучение с использованием техник дообучения (fine-tuning), применены аугментации изображений. Обучение проводилось на четырех открытых наборах данных, далее сети дообучались на наборе фрагментов снимка российского города, предоставленного ИММ УрО РАН, далее этот набор обозначается как RG3. Проведен сравнительный анализ результатов сетей и подобран оптимальный набор параметров модели, распознающей водные объекты на наборе RG3 с точностью 89% и на наборе LoveDA с точностью 76%. Использовались технологии:
● язык программирования Python;
● библиотеки компьютерного зрения torchvision и OpenCV;
● библиотека для аугментирования данных Albumentations;
● фреймворк для работы с нейронными сетями PyTorch;
● библиотека с готовыми моделями нейронных сетей Segmentation Models
PyTorch.