В последнее десятилетие в связи с развитием спутниковых средств, систем хранения и передачи информации и ростом вычислительной мощности появилась возможность решать задачи, связанные с такими объектами инфраструктуры как здания, сооружения, автомобильные и железные дороги. Анализ инфраструктуры по спутниковым данным позволяет оценивать населённость района, эффективность транспортных систем, предупреждать об угрозах природного и техногенного характера, корректировать геоинформационные базы и т. д. Важнейшей задачей является сегментация спутниковых изображений. Искусственные объекты одного класса, например, здания, обладают значительными текстурными и спектральными различиями, имеют разнообразные формы и размеры. Кроме того, расположение объектов на местности нерегулярно: объекты одного класса могут быть сгруппированы или рассеяны, примыкать вплотную друг к другу или перемежаться объектами других классов. Это усложняет анализ, качество работы классических алгоритмов распознавания оказывается неприемлемо низким.
Предложены несколько известных архитектур искусственных нейронных сетей, решающих задачу сегментации объектов хозяйственной инфраструктуры, представленной несколькими классами. Также предлагается собственная нейросетевая архитектура, основанная на FCDenseNet-101. Приводятся оценки качества при обучении на наборе снимков сверхвысокого разрешения из геоинформационной системы Google Earth. Для уменьшения дисбаланса классов обучающей выборки используется специально разработанный алгоритм вероятностной аугментации.
Задача сегментации рассматривается как один из этапов комплексного метода повышения информативности спутниковых изображений [1-4], ориентированного на использование данных российских спутников “Ресурс-П”. Метод состоит из трёх этапов: комплексирования данных, сегментации объектов целевых классов и восстановления трёхмерной цифровой модели местности.
Работа выполнена при финансовой поддержке Российской Федерации в лице Минобрнауки России в рамках соглашения №075‒15‒2020‒776.