Применение геометрического подхода интеграции нейронных сетей для обнаружения зон подтопления на основе спутниковых снимков

Обнаружение зданий в зоне подтопления является одной из актуальных задач дистанционного зондирования Земли при оценке последствий стихийных бедствий. Для автоматизации этого процесса часто применяются нейросетевые алгоритмы, однако их обучение с нуля требует огромных вычислительных затрат. При этом объединение уже готовых предварительно обученных моделей обычно требует дорогостоящего переобучения и нередко приводит к потере функциональности или точности при слиянии. Универсальное решение для объединения разнородных архитектур отсутствует. Предложенный подход опирается на.
В качестве основной концепции решения задачи предлагается использование геометрического подхода к интеграции полносвязных слоев нейросетевых моделей. Это позволяет объединять различные модели без полного переобучения, автоматически наследовать их навыки и существенно экономить время и вычислительные ресурсы.
Основная суть метода лежит в представлении нейронных сетей как геометрических структур. В рамках данного подхода каждый нейрон в полносвязном слое представляет собой гиперплоскость, которая разделяет пространство признаков. Для создания новой сети анализируются пересечения этих гиперплоскостей, полученных из разных предварительно обученных моделей.
Процесс интеграции начинается с извлечения весов моделей и построения ограничивающих гиперплоскостей для каждой из них. Далее алгоритм находит пересечения этих пространственных структур. Следующим этапом является фильтрация тех гиперплоскостей, которые образуют целевую границу пересечения. Данный шаг выполняется с использованием зон активации нейронов.
После анализа и фильтрации формируется новая нейронная сеть, которая наследует параметры отобранных гиперплоскостей от исходных моделей. В завершение процесса выполняется дообучение только одного выходного слоя, что исключает необходимость переобучать всю архитектуру целиком.
Работоспособность алгоритма подтверждается на примере объединения двух моделей, решающих смежные задачи: одна классифицирует урбанизированные территории, а другая - водные объекты, при этом обе модели имеют в знаниях признаки затопленных строений. В результате их интеграции создается новая модель, выделяющая целевой класс-здания вблизи водных массивов. Тут чуть по другому назвать. Данный метод может быть применен для мониторинга паводковой обстановки, оперативного картирования затопленных территорий, а также планирования спасательных операций.