Разработка методики для автоматической сегментации спутниковых снимков по нескольким классам (здания, реки, дороги) на базе сверточных нейронных сетей. Особенности подготовки изображения для тренировки нейронной сети. Оценка эффективности нейронных сетей.
Аннотация к работе
Новая архитектура нейронной сети, созданная специально для задачи сегментации спутниковых снимков, предложена в данной статье. Для решения задачи использовался язык программирования Python в связке с популярными модулями для работы с нейронными сетями Keras и Theano. Основные подходы к решению задачи: 1) Для решения использовалась модифицированная нейронная сеть UNET [6], которая показала свою высокую эффективность в задачах сегментации биомедицинских изображений. Для большей части классов использовался 5 KFold. Разбиение на тренировочную часть и валидационную части проводилось по ID изображения (всего в тренировочном наборе было 25 больших изображений). Таблица №1 Характеристики изображений спутника World View 3 Название на английском Длина волны, нм Разрешение, м Динамический диапазон, бит/пиксел Разрешение файлов, пиксел Panchromatic 450-800 0.31 11 ~ 3396х3348 RGB (Red) 630-690 RGB (Blue) 450-510 RGB (Green) 510-580 Coastal 400-450 1.24 ~ 849x837 Blue 450-510 Green 510-580 Yellow 585-625 Red 630-690 RedEdge 705-745 Near-IR1 770-895 Near-IR2 860-1040 SWIR-1 1195-1225 7.5 14 ~136x134 SWIR-2 1550-1590 SWIR-3 1640-1680 SWIR-4 1710-1750 SWIR-5 2145-2185 SWIR-6 2185-2225 SWIR-7 2235-2285 SWIR-8 2295-2365 Для тренировочных данных была также предоставлена готовая разметка по 10 классам.