Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Девятнадцатая международная конференция «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)»

XIX.A.197

Разработка алгоритмов автоматического восстановления трёхмерных моделей объектов по данным спутника "Ресурс-П"

Рихтер АА (1), Гвоздев О.Г. (2,1), Мурынин АБ (3,1), Козуб В.А. (1), Кошелева Н.В. (1), Пуховский Д.Ю. (1)
(1) НИИ "АЭРОКОСМОС", Москва, Российская Федерация
(2) МИИГАиК, Москва, Российская Федерация
(3) Вычислительный центр им. А. А. Дородницына РАН, Москва, Российская Федерация
Предложен многомасштабный метод построения трехмерных моделей объектов земной поверхности по отдельному ортотрансформированному спутниковому изображению, состоящий из двух этапов: интегрального и локального (пообъектного) анализа, каждый из которых включает в себя композицию традиционных и нейросетевых методов.
Интегральный анализ нацелен на локализацию объектов и релевантной им информации: тематических и пространственных классов отдельных пикселов, теней и т.д. Локальный анализ – на извлечение данных, необходимых для определения геометрии объекта и их интерпретации.
Нейросетевые модели построены на базе полносверточной топологии U-Net, расширенной и дополненной авторами для задач интерпретации аэрокосмических изображений.
Локальный анализ поддерживает построение моделей как типовых объектов, обладающих низкой вариативностью по заранее известным признакам, так и зданий, сооружений прямоугольной (обобщаемой до произвольной) пространственной конфигурации.
Предложен метод восстановления трехмерных моделей ригидных объектов хозяйственной инфраструктуры, в том числе в импактных зонах, по их растровым областям, полученным в результате машинного обучения по масштабирующим коэффициентам и направляющим (для горизонтальных элементов, вертикальных элементов и размеров теней от вертикальных элементов), выводимых по известным типизированным элементам (например, опоры контактной сети или железнодорожная колея) или метаданным (азимут и высота Солнца, азимут сканирования, угол наклона съёмки, пространственное разрешение).
На базе метода разработана программа по автоматическому вычислению трёхмерных моделей, работающая со снимками Ресурс-П, протестированная на снимках Москвы и Норильска. Программа «сшита» из множества алгоритмов: по семантической сегментации информативных классов (крыши, стены и тени зданий, железнодорожная колея и др.); по тайлингу масок сегментации и трёхмерных моделей; по вычислению масштабирующих коэффициентов и направляющих на базе типизированных элементов или метаданных; по вычислению формы и высоты объекта и др.
Получаемые с помощью предложенного метода трехмерные модели можно использовать в качестве данных для ГИС и систем поддержки принятия решений на их основе. Такие данные применимы для мониторинга протяженных инфраструктурных объектов и их периферии как основы для художественной или научной визуализации.
Перспективными направлениями развития метода является его интеграция с методами интерактивного обучения; расширение тематического охвата моделируемых объектов, развитие методов разрешения ситуаций неопределенности.
Работа выполнена при финансовой поддержке Российской Федерации в лице Минобрнауки России в рамках соглашения № 075-15-2020-776.

Ключевые слова: семантическая сегментация, свёрточные нейронные сети, U-Net, трёхмерная модель, спутниковый снимок, типизированный объект, хозяйственная инфраструктура
Литература:
  1. Гвоздев О.Г., Мурынин А.Б., Рихтер А.А. Комплекс прикладных решений по построению и обучению искусственных нейронных сетей для семантической сегментации аэрокосмических изображений произвольной канально-спектральной структуры в условиях дефицита обучающих данных // Матер. 19-й Всеросс. конф. с междунар. участием: Математические методы распозна-вания образов (ММРО-2019, г. Москва). Российская академия наук. 2019. С. 344-348.
  2. Гвоздев О.Г., Козуб В.А., Кошелева Н.В., Мурынин А.Б., Рихтер А.А. Построение трехмерных моделей ригидных объектов по спутниковым изображениям высокого пространственного разрешения с использованием сверточных нейронных сетей / Исследования Земли из космоса, 2020, № 5, с. 78-96.
  3. Гвоздев О.Г., Козуб В.А., Кошелева Н.В., Мурынин А.Б., Рихтер А.А. Нейросетевой метод построения трехмерных моделей ригидных объектов по спутниковым изображениям / Мехатроника, автоматизация, управление, Том 22, № 1, 2021. – С. 46-53.
  4. Мурынин А.Б., Трекин А.Н., Игнатьев В.Ю., Кульченкова В.Г., Ракова К.О. Метод повышения разрешения космических изображений ригидных объектов / Машинное обучение и анализ данных. - 2019. - Том 4, № 5. – С. 296-308.
  5. Игнатьев В.Ю., Матвеев И.А., Мурынин А.Б., Трекин А.Н. Оценка качества изображений при повышении разрешения на основе пространственного спектрального синтеза / ISSN 1812-3368. Вестник МГТУ им. Н.Э. Баумана. Сер. Естественные науки. 2017. № 1. – С. 124-141. DOI: 10.18698/1812-3368-2017-1-124-141.

Презентация доклада

Видео доклада

Методы и алгоритмы обработки спутниковых данных

53