При помощи технологий искусственного интеллекта на сегодняшний день решается множество различных задач: распознавание образов, моделирование процессов, доказательство теорем, инженерные расчеты, робототехника и т.д.

Одной из традиционных и важных задач считается тематическая обработка изображений со спутника, неразрывно с которой связано использование и развитие нейросетевых технологий. Полученные с помощью данных технологий результаты стали возможны в ходе использования методов глубокого обучения. Метод глубокого обучения предполагает создание большого количество внутренних слоев с настраиваемыми параметрами (весовыми коэффициентами искусственных нейронов). Каждый слой глубокой нейронной сети состоит из весовых коэффициентов нейронов, принимающих в виде сигналов входные данные от одного нейрона, выполняющих обработку и передающих сформированный сигнал следующему подключенному нейрону. Вручную настроить множество параметров внутри каждой нейросети невозможно, поэтому используются методы обучения при помощи массива данных. Весовые коэффициенты нейронов в процессе обучения и переобучения непрерывно изменяются и настраиваются, что приводит к осмысленному результату вычислений и обработки сигналов. Чем больше слоев и нейронов в составе нейронной сети, тем больше выполняется вычислительных операций, при помощи которых нейронная сеть обучается и выдает лучший результат.

Среди новых парадигм нейронных сетей выделяют сверточные нейронные сети, которым в наше время нашлось много самых разнообразных применений благодаря тому, что в них используются сверточные фильтры с общими весами, позволяющими применить преобразования к разным частям входа. Такой сложный контроль параметров позволяет сетям очень эффективно обучаться и иметь достаточно глубокую структуру, что является важными критериями в обработке спутниковых изображений, а именно в решении задач классификации и фильтрации таких изображений.
При решении тематических задач с использование сверточных сетей выходной результат в числовом выражении характеризуется качественными показателями величины вероятностей ошибок первого и второго рода и отношения «сигнал/шум» на выходе фильтра.

При помощи сверточных сети с глубоким обучением можно решить широкий круг задач обработки изображений, например:
– классифицировать зрительные сцены;
– детектировать фрагменты изображения;
– семантически сегментировать изображение;
– распознать образы и восстановить изображения.

Для уменьшения вычислительных ресурсов и ускорения физического время обучения нейронной сети в качестве функции активации сетевого нейрона часто используется нелинейная функция ReLU. Также функция способна инактивировать некоторые нейроны.
Отрицательные входные значения дадут на выходе функции ReLU нулевой градиент, что ухудшит процесс обучения нейронной сети из-за отсутствия обновления весовых коэффициентов. Эту проблему решают при помощи модификаций ReLU, где отрицательным значениям входного параметра присваивается некая линейная функция с маленьким коэффициентом пропорциональности, что позволяет избавиться от нулевого градиента и в процессе обучения корректировать веса.

При тематической обработке спутниковых изображений процесс обучения основан на работе с большими базами входных данных, в ходе которого при нужном формировании обучающей выборки нейронная сеть по максимуму приспосабливается к работе с реальными характеристиками. Поэтому нейросетевые технологии уверенно закрепили свою значимость в области тематической обработки спутниковых изображений.