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)

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

XX.A.310

Семантическая сегментация спутниковых изображений с использованием нейросетей для выявления антропогенных объектов в импактных районах Арктики

Рихтер А.А. (1), Гвоздев О.Г. (2,1), Мурынин А.Б. (1,3), Козуб ВА (1), Пуховский Д.Ю. (1)
(1) НИИ "АЭРОКОСМОС", Москва, РФ
(2) МИИГАиК, Москва, Российская Федерация
(3) Федеральный исследовательский центр "Информатика и управление" РАН (ФИЦ ИУ РАН), Москва, РФ
Методы машинного обучения предлагают различные способы решения задачи сегментации. Условно их можно разделить на две группы: 1) для сегментации пикселя используют только информацию о самом пикселе; 2) дополнительно привлекается информация о других пикселях изображения. В первом случае задача сегментации сводится к задаче попиксельной классификации и может решаться любым подходящим методом машинного обучения. Такой подход проще в применении и обучении, однако он не позволяет добиться высокого качества сегментации при рассмотрении изображений сверхвысокого разрешения [1-4].
В случае привлечения информации о сторонних пикселях стандартными подходами являются использование текстурных фильтров, градиента изображения, спектральных гистограмм. Они образуют новые признаки объекта, которыми все так же остаются отдельные пиксели изображения. Добавленные признаки в некоторой форме содержат дополнительную информацию.
Семантическая сегментация может быть использована для мониторинга антропогенных объектов, а также областей антропогенного загрязнения, так как позволяет производить детектирование объектов. При высокой точности сегментации в том числе могут быть определены геометрические и статистические параметры объектов мониторинга.
Для одновременных спутниковых данных в зависимости от используемых семантических классов могут решаться различные задачи по различным информативным классам, в частности: 1) выявление незаконных свалок и оценка их площади; 2) обнаружение зон сброса отходов промышленного производства, влияющих на экосистему; 3) оценка потоковых и геометрических параметров транспортной системы; 4) выявление строительных объектов, не учтенных в кадастре недвижимости.
При наличии регулярно обновляемых данных для вышеописанных задач возможно выявление временных тенденций.
На импактных территориях Арктики (г. Норильск) выделены две категории информативных классов, выделяемых на спутниковых снимках: инфраструктурные и экологические классы [2-3]. Инфраструктурные классы описывают здания, сооружения, строения на промышленных территориях. Экологические классы – признаки промышленной деятельности в твердой, жидкой или газообразной среде (и состоянии). Выполнено машинное обучение на разных классах, получены показатели семантической сегментации.
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, спутниковый снимок, импактные районы, аномальные процессы и явления, загрязнения, сегментация, экология, инфраструктура
Литература:
  1. 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.
  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. Кошелева Н.В., Гвоздев О.Г., Козуб В.А., Мурынин А.Б., Рихтер А.А. Восстановление 3D-модели объектов инфраструктуры на основе использования нейросетевых методов обработки спутниковых изображений / Материалы 13-й конференции Интеллектуализация обработки информации (ИОИ, 8-11 декабря 2020). - М.: 2020.
  4. 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.

Презентация доклада

Методы и алгоритмы обработки спутниковых данных

60