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..500

Использование нейросетевых алгоритмов в процессе обработки данных дистанционного зондирования Земли

Попов А.А. (1)
(1) АО «Терра Тех», Москва, Россия
Работа АО "Терра Тех" с нейросетевыми алгоритмами делится на два направления:
Первое - повышение качества снимков. К этому направлению относятся алгоритмы паншарпенинга и superresolution, яркостная коррекция снимков и функционал, помогающий в корреляции на этапах обработки.
Второе крупное направление - сегментация снимков. Под сегментацией понимается выделение на снимках различных классов объектов и дефектов изображения, в том числе классификация типов подстилающей поверхности.
В настоящее время разработанные нейросетевые алгоритмы участвуют в цепи обработки снимков на всех этапах, начиная с уровня обработки Л0. СПО нейросетевых алгоритмов является частью подсистемы обработки. Для некоторых нейросетевых алгоритмов, таких как увеличение разрешения и яркостная коррекция, возможно управление со стороны пользователя (в зависимости от цели получения данных можно использовать или не использовать тот или иной алгоритм обработки).
Алгоритм superresolution позволяет уменьшить размер проекции пиксела на местность интерполяционными методами. Нейронные сети в данном случае выигрывают по точности и четкости изображения.
Паншарпенинг позволяет увеличить детальность мультиспектральных снимков путем слияния с панхроматическим. Нейронные сети позволяют получить результат паншарпенинга любого качества, даже результат работы проприетарного ПО, минимальными затратами ресурсов. При этом, при наличии достаточного количества данных при обучении результат будет более устойчив к различного рода данным (разная сезонность, дефектные снимки, разные цвета и т. д.). Оптимизация выполняется похожим образом, как и в superresolution.
Сегментация. Выделение на снимках различных классов объектов и дефектов изображения, в том числе классификация типов подстилающей поверхности, возможна только нейросетевыми алгоритмами. Здесь немаловажную роль играет подбор архитектуры, позволяющей соблюсти баланс точности и быстродействия, и хорошая подготовка данных для обучения – тематическая разметка. Например, выделение дымки на снимке было действительно сложной задачей.
Яркостная коррекция. Собственная разработка "Терра Тех" позволяет удалить со снимка неплотную дымку с помощью нейросетевых алгоритмов. Задача - очень нетривиальная, работающих аналогов не существует.
Нейросетевые алгоритмы при правильном использовании могут быть полезны практически на всех этапах обработки изображений, начиная с L0, заканчивая формированием аналитических продуктов.

Ключевые слова: ДЗЗ, нейросети, нейросетевые алгоритмы, искусственный интеллект, алгоритмы машинного обучения, геосервис, геоаналитика, ТерраТех, космоснимки, паншарпенинг, superresolution

Выездное заседание Госкорпорации "Роскосмос" в НЦ ОМЗ на тему: «Проблемные вопросы внедрения и использования цифровых сервисов и услуг на основе данных ДЗЗ из космоса».

456