Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18. № 6. С. 35-45

Экспериментальная оценка точности мультиклассовой сегментации объектов на спутниковых снимках на основе модифицированной свёрточной нейронной сети U-net

С.М. Багаев 1 , Е.В. Медведева 1 
1 Вятский государственный университет, Киров, Россия
Одобрена к печати: 09.11.2021
DOI: 10.21046/2070-7401-2021-18-6-35-45
Представлена методология исследования точности сегментации целевых объектов на спутниковых снимках, принадлежащих разным классам, на основе модифицированной свёрточной нейронной сети U-net. Рассмотрены основные этапы сегментации: подготовки входных данных; модификации структуры свёрточной нейронной сети (СНС) с учётом параметров исследуемых изображений; обучения СНС на сформированной обучающей выборке; сегментации тестовых снимков. Для обучения и тестирования модифицированной СНС U-net использованы мультиспектральные снимки, полученные со спутника WorldView-3. Проведены экспериментальные исследования по повышению точности сегментации целевых объектов. Для реализации метода мультиклассовой сегментации предложены два алгоритма. Первый алгоритм реализуется на единой СНС. Второй — на основе отдельно обученных СНС для работы с каждым конкретным классом и с последующим объединением результатов их работы. Средняя точность сегментации первым алгоритмом по метрике Жаккара составила 76 %, по метрике F-мера — 0,66. Второй алгоритм повысил точность сегментации объектов похожих и редких классов на 23 % по метрике Жаккара и на 26 % по метрике F-мера при ограниченной тренировочной выборке изображений и вычислительных ресурсах.
Ключевые слова: мультиклассовая сегментация, спутниковые снимки, свёрточная нейронная сеть, оценка точности сегментации
Полный текст

Список литературы:

  1. Гонсалес Р. , Вудс Р. Цифровая обработка изображений: пер. с англ. 3-е изд., испр. и дополн. / пер. Л. И. Рубанова, П. А. Чочиа; ред. П. А. Чочиа. М.: Техносфера, 2012. 1104 с.
  2. Захваткина Н. Ю. Бычкова И. А. , Смирнов В. Г. Цифровая обработка данных Sentinel-1 для автоматизированного выделения кромки старых льдов // Современные проблемы дистанционного зондирования Земли из космоса. 2020. Т. 17. № 5. С. 23–34. DOI: 10.21046/2070-7401-2020-17-5-23-34.
  3. Медведева Е. В. , Курбатова Е. Е. , Окулова А. А. Текстурная сегментация зашумленных изображений поверхности Земли // Современные проблемы дистанционного зондирования Земли из космоса. 2017. Т. 14. № 7. С. 20–28. DOI: 10.21046/2070-7401-2017-14-7-20-28.
  4. Родионова Н. В. Текстурная сегментация одноканальных изображений: примеры применения // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 3. С. 65–69.
  5. Шапиро Л. , Стокман Дж. Компьютерное зрение: пер. с англ. / пер. А. А. Богуславского; ред. С. М. Соколов. М.: Бином. Лаборатория знаний, 2006. 752 с.
  6. Шовенгердт Р. А. Дистанционное зондирование. Модели и методы обработки изображений: пер. с англ. / пер. А. В. Кирюшина, А. И. Демьяникова. М.: Техносфера, 2010. 594 с.
  7. Borne F. , Viennois G. Texture-based classification for characterizing regions on remote sensing images // J. Applied Remote Sensing. 2017. V. 11(3). DOI: 10.1117/1.JRS.11.036028.
  8. Fichtel L. , Fruhwald A. M. , Hosch L. , Schreibmann V. , Bachmeir C. , Bohlander F. Tree Localization and Monitoring on Autonomous Drones employing Deep Learning // Proc. 29th Conf. Open Innovations Association (FRUCT). 2021. P. 132–140. DOI: 10.23919/FRUCT52173.2021.9435549.
  9. Gudzius P. , Kurasova O. , Filatovas E. Optimal U-Net Architecture for Object Recognition Problems in Multispectral Satellite Imagery // Proc. 2019 IEEE/ACS 16th Intern. Conf. Computer Systems and Applications (AICCSA). 2019. Art. No. 19454678. 2 p. DOI: 10.1109/AICCSA47632.2019.9035305.
  10. Li M. , Zang S. , Zhang B. , Li S. , Wu C. A Review of Remote Sensing Image Classification Techniques: the Role of Spatio-contextual Information // European J. Remote Sensing. 2014. V. 47. P. 389–411. DOI: 10.5721/EuJRS20144723.
  11. Medvedeva E. , Evdokimova A. Detection of Texture Objects on Multichannel Images // Proc. 24th Conf. Open Innovations Association (FRUCT). 2019. P. 249–254. DOI: 10.23919/FRUCT.2019.8711986.
  12. Medvedeva E. V. , Kurbatova E. E. Image Segmentation Based on Two-Dimensional Markov Chains // Computer Vision in Control Systems-2. Innovations in Practice. Switzerland: Springer Intern. Publishing, 2015. P. 277–295. DOI: 10.1007/978-3-319-11430-9_11.
  13. Overton T. , Tucker A. DO-U-Net for Segmentation and Counting: Applications to Satellite and Medical Images // Advances in Intelligent Data Analysis XVIII. 2020. P. 391–403. DOI: 10.1007/978-3-030-44584-3_31.
  14. Persello C. , Tolpekin V. A. , Bergado J. R. , de By R. A. Delineation of agricultural fields in smallholder farms from satellite images using fully convolutional networks and combinatorial grouping // Remote Sensing of Environment. 2019. V. 231. Art. No. 111253. DOI: 10.1016/j.rse.2019.111253.
  15. Ronneberger O. , Fischer P. , Brox T. U-net: Convolutional networks for biomedical image segmentation // Proc. Intern. Conf. Medical Image Computing and Computer-Assisted Intervention. Springer Intern. Publishing, 2015. P. 234–241. DOI: 10.1007/978-3-319-24574-4_28.
  16. Yuan J. , Wang D. L. Remote sensing image segmentation by combining spectral and texture features // IEEE Trans. Geoscience and Remote Sensing. 2014. V. 52(1). P. 16–24. DOI: 10.1109/TGRS.2012.2234755.