Адаптація нейромережевих технологій до ідентифікації малорозмірних об’єктів на супутникових зображеннях недостатньої розрізненності в базі графічних еталонів
DOI:
https://doi.org/10.36023/ujrs.2020.27.175Ключові слова:
супутникове зображення, малорозмірний об’єкт, просторова розрізненність, база графічних еталонів, підтримка дешифрування, нейромережеві технологіїАнотація
Запропоновано нову схему ідентифікації малорозмірних об’єктів на супутникових зображеннях недостатньої розрізненності в базі графічних еталонів із застосуванням нейромережевих технологій на основі компромісної контрадикції – одночасного підвищення розрізненності об’єктового сегмента вхідного зображення та приведення розрізненності еталонного зображення до спільної розрізненності через моделювання знімальної системи. Необхідність цього обумовлюється суттєвою розбіжністю між розрізненностями вхідного зображення та графічних еталонів, що використовуються для ідентифікації. Потрібний рівень підвищення розрізненності для супутникових зображень, як правило, недосяжний, а значне загрублення еталонів небажане, оскільки приводить до помилок ідентифікації. Отже для ідентифікації застосовується певна проміжна просторова розрізненність, яку, з одного боку можливо отримати, а з іншого – втрати інформації, що міститься в еталоні, ще поки прийнятні. Визначення проміжної розрізненності здійснюється шляхом моделювання процесу отримання зображень супутниковою знімальною апаратурою. Для полегшення такого моделювання варто виконувати його в просторово-частотній області, де існує розвинений апарат Фур’є-аналізу і, як правило, відомі всі необхідні передавальні властивості ланок тракту формування зображень. Для проведення ідентифікації задіяно три основні функціональні елементи: штучна нейронна мережа підвищення розрізненності вхідних зображень, модуль просторово-частотного моделювання супутникового знімання графічного еталону та штучна нейронна мережа порівняння покращеного об’єктового сегмента з модельними зображеннями еталонів. Можливість реалізації викладеного підходу продемонстровано на прикладі успішної ідентифікації зображення морського судна на супутниковому знімку SPOT-7. Зараз проводяться роботи з порівняння продуктивності різноманітних нейромережевих платформ для ідентифікації малорозмірних об’єктів на супутникових зображеннях та з оцінки досяжної точності.
Посилання
Abramov, N. S., Makarov D. A., Talalaev A. A., Fralenko, V. P. (2018). Modern methods of intelligent processing of remote sensing data. Programmnye sistemy: teoriya i prilozheniya, 9 (4), 417–442. (in Russian)
Dong, C., Loy, C.C., He, K., & Tang, X. (2016). Image superresolution using deep convolutional networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 38 (2), 295– 307.
Elham, K., Kaveh, K., & Javadi, S. (2014). A survey on superresolution methods for image reconstruction. International Journal of Computer Applications, 90 (3), 32–39
Kaftannikov, I. L., Parasich, A.V. (2016). Problems of forming a training sample in machine learning tasks. Vestnik YuUrGU. Seriya Kompyuternye tekhnologii, upravlenie, radioelektronika, 16 (3), compact target samples in aerospace imagery visual interpretation support system. Abstracts of the ІІI Scientific Conference Aerospace Technologies in Ukraine: Problems and Prospects, 33–34. Kiev: NSFCTC.
Lavrinchuk, O.V., Hryniuk, S.V. & Rakushev, M.Yu. (2017). Analysis of the technology of space images decryption. Suchasni informacijni tekhnologhiji u sferi bezpeky ta oborony, 30 (3), 45-49. (in Ukrainian).
Lim, B., Son, S., Kim, H., Nah, S., & Lee, K.M. (2017). Enhanced deep residual networks for single image super-resolution. Proceedings of the International Conference on Computer Vision and Pattern Recognition (CVPR 2017), 136-144. Honolulu: IEEE.
Maggiori, E., Charpiat, G., Tarabalka, Y. & Alliez, P. (2017). Recurrent neural networks to correct satellite image classification maps. IEEE Transactions on Geoscience and Remote Sensing, 55 (9), 4962-4971.
Markova, S.V. & Zhigalov, K.Yu. (2017). Neural network application for purposes of recognition of images. Fundamentalnye issledovaniya, 8 (1), 60-64. (in Russian).
Piestova, I., Stankevich, S., & Kostolny, J. (2017). Multispectral imagery superresolution with logical reallocation of spectra. Proceedings of the International Conference on Information and Digital Technologies (IDT 2017), 322–326. Žilina: IEEE.
Rawat, W. & Wang, Z. (2017). Deep convolutional neural networks for image classification: A comprehensive review. Neural Computation, 29 (9), 2352–2449.
Schachter, B.J. (2018). Automatic Target Recognition. Bellingham: SPIE Press.
Stankevich, S. A., Shklyar, S. V. (2005). Optimization of the parameters of the species aerial photography equipment under the condition of the maximum average probability of detection of objects in the image. Zbirnyk naukovykh pracj Derzhavnogho naukovo-doslidnogho instytutu aviaciji, 8 (2), 133–136. (in Ukrainian).
Stankevich, S.A. & Maslenko, O.V. (2019). Automated identification of compact target samples in aerospace imagery visual interpretation support system. Abstracts of the ІІI Scientific Conference “Aerospace Technologies in Ukraine: Problems and Prospects”, 33-34. Kiev: NSFCTC.
Tang, C., Zhu, Q., Wu, W., Huang, W., Hong, C. and Niu, X. (2020). PLANET: Improved convolutional neural networks with image enhancement for image classification. Mathematical Problems in Engineering, 20, 1245924.
Tatyankin, V. M. (2016). An approach to the formation of a neural network architecture for pattern recognition. Vestnik Yugorskogo gosudarstvennogo universiteta, 2 (41), 61–64. (in Russian).
Wang, X., Yu, K., Wu, S., Gu, J., Liu, Y., Dong, C., Qiao, Y., & Loy, C.C. (2018). ESRGAN: enhanced super-resolution generative adversarial networks. Proceedings of the European Conference on Computer Vision (ECCV 2018), 63–79. Cham: Springer.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ліцензійні умови: автори зберігають авторські права та надають журналу право першої публікації на твір, одночасно ліцензований за міжнародною ліцензією Creative Commons Attribution License International CC-BY, що дозволяє іншим поділитися твором з підтвердженням авторства твору та первинною публікацією в цьому журналі.
Автори, направляючи рукопис у редакцію «Українського журналу дистанційного зондування Землі», погоджуються з тим, що редакції передаються права на захист і використання рукопису (переданого до редакції журналу матеріалу, в т. ч. такі об’єкти авторського права як фотографії автора, рисунки, схеми, таблиці тощо), в тому числі на відтворення у пресі та мережі Інтернет, на поширення, на переклад рукопису на будь-які мови, експорту та імпорту примірників журналу зі статтею авторів з метою розповсюдження, на доведення до загального відома. Зазначені вище права автори передають редакції без обмеження терміну і на території всіх країн світу без обмеження в т. ч. на території України.
Автори гарантують наявність у них виняткових прав на використання переданого редакції матеріалу. Редакція не несе відповідальності перед третіми особами за порушення даних авторами гарантій. За Авторами залишається право використання їх опублікованого матеріалу, його фрагментів і частин в особистих, у тому числи наукових і освітянських цілях. Права на рукопис вважаються переданими Авторами редакції з моменту підписання до друку випуску журналу, в якому він публікується. Передрук матеріалів, опублікованих у журналі, іншими фізичними та юридичними особами можливий тільки зі згоди редакції, з обов’язковим зазначенням випуску журналу, в якому було опубліковано матеріал.
