Обработка цветосинтезированных изображений, полученных из космоса, для распознавания структурно сложных антропогенных объектов местности методами машинного обучения

В работе рассматриваются возможные направления решения проблемы обнаружения антропогенных объектов местности по цветосинтезированным изображениям методами глубокого машинного обучения при малом объеме обучающей выборки. Одним из требований к успешному применению ИНС для идентификации объектов местности является достаточный, максимально полный и репрезентативный объем выборки. В случае, если такой базы данных эталонных изображений объектов недостаточно, сеть может переобучиться или возникает достаточно большое количество ложноположительных целей. Особенно это касается антропогенных сложносоставных объектов, в том числе которые не сильно распространены, но имеют функционально важный целевой характер для распознавания. Для решения этой проблемы авторами предлагается комбинированный подхода к распознаванию таких объектов, где на первом этапе с помощью методов глубокого машинного обучения осуществляется обнаружение объектов (например, в работе применяются модель Segment-anything и модели семейства YOLO для определения зданий и сооружений), а на втором этапе привлекаются алгоритмы постобработки (поскольку контуры полученных объектов зачастую являются неровными, а некоторые сооружения объединяются в единый полигон) для извлечения сложных структурных признаков объектов. Здесь происходит непосредственная идентификация антропогенного объекта по признакам, которые были слишком обобщены нейронной сетью. Это касается сочетания геометрических признаков и признаков, характеризующих взаимное расположения объектов, которые оцениваются с помощью традиционных алгоритмов контурной обработки (преобразования Хаффа, скелетизации, фильтрация, методы Фурье анализа периодической структуры объекта и др.). Предложенный подход был успешно апробирован по изображениям, полученным с сервиса Google, для распознавания сложносоставных техногенных объектов заданной номенклатуры и уменьшения ложных целей. Направлением совершенствования алгоритма обработки является генерализация искусственно созданных эталонных изображений с помощью сетей типа модифицированной условной генеративно-состязательной сети (CGAN).