Методы машинного обучения при обработке изображений сверхвысокого пространственного разрешения на примере задач классификации растительности

Сафонова, Анастасия Николаевна

ВВЕДЕНИЕ …………………………………………………………………………………………………….. 5
1 АНАЛИЗ МОДЕЛЕЙ СНС ПРИ РЕШЕНИИ ЗАДАЧ КЛАССИФИКАЦИИ
ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ………………………………………………………………. 12
1.1 Современные СНС при решении задач классификации объектов на
изображениях……………………………………………………………………………………………… 12
1.1.1 Слой свертки……………………………………………………………………………………. 15
1.1.2 Слой пулинга или субдискретизации ……………………………………………….. 19
1.1.3 Полносвязный слой………………………………………………………………………….. 21
1.2 Анализ моделей СНС в задачах обработки изображений ДЗЗ …………………. 22
1.2.1 Классификация растительности на изображениях высокого и
сверхвысокого пространственного разрешения с использованием методов
СНС…………………………………………………………………………………………………………. 22
1.2.2 Модель VGG ……………………………………………………………………………………. 30
1.2.3 Модель ResNet …………………………………………………………………………………. 32
1.2.4 Модель Inception ……………………………………………………………………………… 32
1.2.5 Модель InceptionResNet …………………………………………………………………… 33
1.2.6 Модель Xception ………………………………………………………………………………. 34
1.2.7 Модель DenseNet ……………………………………………………………………………… 35
1.2.8 Преимущества СНС …………………………………………………………………………. 35
1.2.9 Недостатки СНС………………………………………………………………………………. 36
1.3 Проблемы, выдвигаемые для решения с использованием СНС ………………. 37
1.4 Выводы …………………………………………………………………………………………………. 39
2 РАЗРАБОТКА АЛГОРИТМОВ И АРХИТЕКТУРЫ СНС ПРИ ОБРАБОТКЕ
ИЗОБРАЖЕНИЙ СВЕРХВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ
……………………………………………………………………………………………………………………… 41
2.1 Алгоритм построения и искусственного увеличения набора данных
изображений ………………………………………………………………………………………………. 41
2.2 Разработка новой архитектуры СНС………………………………………………………. 43
2.3 Методика формирования контрольной выборки на изображениях
сверхвысокого пространственного разрешения …………………………………………… 46
2.4 Модификация алгоритма сегментации изображений сверхвысокого
пространственного разрешения …………………………………………………………………… 49
2.5 Метрики оценки эффективности ……………………………………………………………. 50
2.6 Выводы …………………………………………………………………………………………………. 52
3 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТАННОЙ
АРХИТЕКТУРЫ СНС И АЛГОРИТМОВ ………………………………………………………. 54
3.1 Тестовый участок и формирование набора данных ………………………………… 54
3.1.1 Тестовый участок и материалы ДЗЗ …………………………………………………. 54
3.1.2 Подготовка обучающего набора данных и его искусственное увеличение
………………………………………………………………………………………………………………… 57
3.1.3 Подготовка тестового набора данных для независимой проверки …….. 60
3.2 Результаты обучения новой архитектуры СНС. ……………………………………… 62
Сравнение с современными архитектурами СНС ………………………………………… 62
3.3 Результаты тестирования новой архитектуры СНС ………………………………… 65
3.4 Выводы …………………………………………………………………………………………………. 69
4 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ПРИМЕНЕНИЯ
МОДИФИЦИРОВАННОГО АЛГОРИТМА СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ
СВЕРХВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ ……………………. 71
4.1 Тестовый участок и формирование набора данных ………………………………… 71
4.2 Результаты экспериментальных исследований применения
модифицированного алгоритма сегментации изображений на основе СНС
ResNet50 и ResNet101 …………………………………………………………………………………. 77
4.3 Выводы ………………………………………………………………………………………………… 81
ЗАКЛЮЧЕНИЕ …………………………………………………………………………………………….. 82
СПИСОК ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ…………………………………………. 84
СПИСОК ЛИТЕРАТУРЫ………………………………………………………………………………. 85
ПРИЛОЖЕНИЕ А …………………………………………………………………………………………. 99
ПРИЛОЖЕНИЕ Б ………………………………………………………………………………………… 102
ПРИЛОЖЕНИЕ В ……………………………………………………………………………………….. 104

Актуальность работы. Искусственные нейронные сети (ИНС) в настоящее
время переживают свое второе рождение, что, в первую очередь, обусловлено
увеличением вычислительных мощностей современных компьютеров и
появлением сверхбольших наборов данных для обучения, присутствующих в
глобальных сетях. На основе ИНС разрабатываются решения в области
классификации данных, сегментации изображений дистанционного зондирования
Земли (ДЗЗ), поддержки принятия решений, сопоставимые по качеству, а зачастую
превышающие результаты, полученные на основе классических методов
распознавания образов.
Прикладная область диссертационного исследования связана с решением
задач сегментации, классификации и категоризации характера повреждения
растительности на основе использования сверточных нейронных сетей (СНС). В
последнее время активно ведутся исследования в работах ученых США, Китая,
Испании, Бразилии, Швейцарии, Германии, Украины, Швеции, Дании, Турции,
России и других стран G.B. Bonan, M.C. Hansen, Z. Ma, W. Li, E. Guirado, S. Tabik,
R. Baeta, N. Kussul, L.T. Waser, Z. Deli, M. Längkvist, M. Dyrmann, S. Razavi, С.А.
Кривца, И.А. Керчева, Э.М. Бисирова, Д.А. Демидко, Н.В. Пашеновой, Ю.Н.
Баранчикова, В.М. Петько, С.А. Астапенко, Е.Н. Акулова, А.Н. Горбань, М.Н.
Фаворской, Л.Ф. Ноженковой и др., позволяющие классифицировать
растительность на основе применения таких СНС, как Inception, ResNet, DenseNet,
RCNN, VGG, а также классических методов, включая OBIA.
Однако, зачастую при решении новых классов задач внутри рассматриваемой
прикладной области возникают проблемы, связанные с малыми объемами выборки
и недостаточным качеством исходного материала для обучения, что определяет
актуальность исследования и разработки новых методов и алгоритмов
классификации категорий повреждения растительности на основе машинного
обучения, а именно СНС, позволяющих обеспечить лучшее качество
распознавания в условиях малых выборок и ограниченного количества
спектральных каналов.

Представленная диссертационная работа содержит описание и результаты
тестирования разработанных методов машинного обучения при обработке
изображений сверхвысокого пространственного разрешения в условиях малых
выборок по искусственно увеличенным данным на примере задач сегментации,
классификации и категоризации характера повреждения растительности.
Основные научные и практические результаты работы заключаются в следующем:

1. Проведен анализ современных алгоритмов СНС и их использования при
решении задач классификации объектов, представленных на мультиспектральных
и трехканальных изображениях сверхвысокого пространственного разрешения,
позволяющий определить основные направления исследования в области
разработки эффективных алгоритмов СНС для обработки данных ДЗЗ.
2. Разработан алгоритм построения и искусственного увеличения
размеченного набора данных на изображениях сверхвысокого пространственного
разрешения в условиях малых выборок.
3. Разработана новая архитектура СНС для задач точной классификации
размеченного набора данных на трехканальных цветных изображениях
сверхвысокого пространственного разрешения.
4. Разработана новая методика формирования контрольной выборки на
трехканальных цветных изображениях сверхвысокого пространственного
разрешения в условиях малых выборок для проведения тестирования
разработанной архитектуры СНС и ее сравнения с современными моделями СНС.
5. Проведено модифицирование алгоритма сегментации изображений
сверхвысокого пространственного разрешения в условиях малых выборок на
основе СНС ResNet50 и ResNet101 для построения маски регионов объектов.
6. Выполнены экспериментальные исследования по разработанным
архитектурам СНС и алгоритмам на тестовых участках: заповедник «Столбы»,
расположенный на северо-востоке от города Красноярск в Центральной Сибири
Российской Федерации по данным изображений, полученных с БПЛА за 2016, 2018
гг.; плантация оливковых деревьев Picular, расположенная на севере города
Гранады, Андалусия, Испания по данным изображений БПЛА за 2019 г.
7. Произведено вычисление основных параметров метрики оценки
разработанной архитектуры СНС с использованием различных наборов данных
изображений сверхвысокого пространственного разрешения. По проведенным
расчетам выявлено, что от использования искусственного увеличения тестового
набора данных для обучения СНС доля правильных ответов (accuracy), точность
(precision) и F-мера (F_score) улучшились на 14,5%, 20,4% и 34,3% соответственно.
СПИСОК ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ

ДЗЗ – дистанционное зондирование земли
ИНС – искусственные нейронные сети
СНС – сверточные нейронные сети
БПЛА – беспилотный летательный аппарат
RGB – red-green-blue (красный-зеленый-синий)
P. proximus – Polygraphus proximus Blandford
ReLU – rectified linear unit
ILSVCC – imagenet large scale visual classification challenge
VGG – visual geometry group
ResNet – residential network
MS COCO – microsoft common objects in context
ADAM – adaptive moment estimation
NIR – near infrared
TN – true negative
TP – true positive
FN – false negative
FP – false positive
GPU – graphics processing unit
NDVI – normalized difference vegetation index
GNDVI – green normalized difference vegetation index

Заказать новую

Лучшие эксперты сервиса ждут твоего задания

от 5 000 ₽

Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям

    Нажимая на кнопку, я соглашаюсь на обработку персональных данных и с правилами пользования Платформой

    Помогаем с подготовкой сопроводительных документов

    Совместно разработаем индивидуальный план и выберем тему работы Подробнее
    Помощь в подготовке к кандидатскому экзамену и допуске к нему Подробнее
    Поможем в написании научных статей для публикации в журналах ВАК Подробнее
    Структурируем работу и напишем автореферат Подробнее

    Хочешь уникальную работу?

    Больше 3 000 экспертов уже готовы начать работу над твоим проектом!

    Ольга Б. кандидат наук, доцент
    4.8 (373 отзыва)
    Работаю на сайте четвертый год. Действующий преподаватель вуза. Основные направления: микробиология, биология и медицина. Написано несколько кандидатских, магистерских... Читать все
    Работаю на сайте четвертый год. Действующий преподаватель вуза. Основные направления: микробиология, биология и медицина. Написано несколько кандидатских, магистерских диссертаций, дипломных и курсовых работ. Слежу за новинками в медицине.
    #Кандидатские #Магистерские
    566 Выполненных работ
    Анна Александровна Б. Воронежский государственный университет инженерных технол...
    4.8 (30 отзывов)
    Окончила магистратуру Воронежского государственного университета в 2009 г. В 2014 г. защитила кандидатскую диссертацию. С 2010 г. преподаю в Воронежском государственно... Читать все
    Окончила магистратуру Воронежского государственного университета в 2009 г. В 2014 г. защитила кандидатскую диссертацию. С 2010 г. преподаю в Воронежском государственном университете инженерных технологий.
    #Кандидатские #Магистерские
    66 Выполненных работ
    Дмитрий М. БГАТУ 2001, электрификации, выпускник
    4.8 (17 отзывов)
    Помогаю с выполнением курсовых проектов и контрольных работ по электроснабжению, электроосвещению, электрическим машинам, электротехнике. Занимался наукой, писал стать... Читать все
    Помогаю с выполнением курсовых проектов и контрольных работ по электроснабжению, электроосвещению, электрическим машинам, электротехнике. Занимался наукой, писал статьи, патенты, кандидатскую диссертацию, преподавал. Занимаюсь этим с 2003.
    #Кандидатские #Магистерские
    19 Выполненных работ
    Анастасия Л. аспирант
    5 (8 отзывов)
    Работаю в сфере метрологического обеспечения. Защищаю кандидатскую диссертацию. Основной профиль: Метрология, стандартизация и сертификация. Оптико-электронное прибост... Читать все
    Работаю в сфере метрологического обеспечения. Защищаю кандидатскую диссертацию. Основной профиль: Метрология, стандартизация и сертификация. Оптико-электронное прибостроение, управление качеством
    #Кандидатские #Магистерские
    10 Выполненных работ
    Евгения Р.
    5 (188 отзывов)
    Мой опыт в написании работ - 9 лет. Я специализируюсь на написании курсовых работ, ВКР и магистерских диссертаций, также пишу научные статьи, провожу исследования и со... Читать все
    Мой опыт в написании работ - 9 лет. Я специализируюсь на написании курсовых работ, ВКР и магистерских диссертаций, также пишу научные статьи, провожу исследования и создаю красивые презентации. Сопровождаю работы до сдачи, на связи 24/7 ?
    #Кандидатские #Магистерские
    359 Выполненных работ
    Сергей Е. МГУ 2012, физический, выпускник, кандидат наук
    4.9 (5 отзывов)
    Имеется большой опыт написания творческих работ на различных порталах от эссе до кандидатских диссертаций, решения задач и выполнения лабораторных работ по любым напра... Читать все
    Имеется большой опыт написания творческих работ на различных порталах от эссе до кандидатских диссертаций, решения задач и выполнения лабораторных работ по любым направлениям физики, математики, химии и других естественных наук.
    #Кандидатские #Магистерские
    5 Выполненных работ
    Татьяна М. кандидат наук
    5 (285 отзывов)
    Специализируюсь на правовых дипломных работах, магистерских и кандидатских диссертациях
    Специализируюсь на правовых дипломных работах, магистерских и кандидатских диссертациях
    #Кандидатские #Магистерские
    495 Выполненных работ
    Екатерина П. студент
    5 (18 отзывов)
    Работы пишу исключительно сама на основании действующих нормативных правовых актов, монографий, канд. и докт. диссертаций, авторефератов, научных статей. Дополнительно... Читать все
    Работы пишу исключительно сама на основании действующих нормативных правовых актов, монографий, канд. и докт. диссертаций, авторефератов, научных статей. Дополнительно занимаюсь английским языком, уровень владения - Upper-Intermediate.
    #Кандидатские #Магистерские
    39 Выполненных работ
    Мария М. УГНТУ 2017, ТФ, преподаватель
    5 (14 отзывов)
    Имею 3 высших образования в сфере Экологии и техносферной безопасности (бакалавриат, магистратура, аспирантура), работаю на кафедре экологии одного из опорных ВУЗов РФ... Читать все
    Имею 3 высших образования в сфере Экологии и техносферной безопасности (бакалавриат, магистратура, аспирантура), работаю на кафедре экологии одного из опорных ВУЗов РФ. Большой опыт в написании курсовых, дипломов, диссертаций.
    #Кандидатские #Магистерские
    27 Выполненных работ

    Другие учебные работы по предмету

    Расширенное суперпиксельное представление изображений для их обработки и анализа
    📅 2022год
    🏢 ФГАОУ ВО «Самарский национальный исследовательский университет имени академика С.П. Королева»
    Метод восстановления динамических изображений на основе оптимальной интерполяции
    📅 2022год
    🏢 ФГАОУ ВО «Самарский национальный исследовательский университет имени академика С.П. Королева»
    Метод конверсационного анализа неструктурированных текстов социальных сетей
    📅 2021год
    🏢 ФГАОУ ВО «Самарский национальный исследовательский университет имени академика С.П. Королева»