(1) НИИ "АЭРОКОСМОС", Москва, Российская Федерация
(2) Московский физико-технический институт (государственный университет), Москва, Российская Федерация
(3) МИИГАиК, Москва, Российская Федерация
(4) Федеральный исследовательский центр "Информатика и управление" РАН (ФИЦ ИУ РАН), Москва, Россия

В последнее десятилетие в связи с развитием спутниковых средств, систем хранения и передачи информации и ростом вычислительной мощности появилась возможность решать задачи, связанные с такими объектами инфраструктуры как здания, сооружения, автомобильные и железные дороги. Анализ инфраструктуры по спутниковым данным позволяет оценивать населённость района, эффективность транспортных систем, предупреждать об угрозах природного и техногенного характера, корректировать геоинформационные базы и т. д. Важнейшей задачей является сегментация спутниковых изображений. Искусственные объекты одного класса, например, здания, обладают значительными текстурными и спектральными различиями, имеют разнообразные формы и размеры. Кроме того, расположение объектов на местности нерегулярно: объекты одного класса могут быть сгруппированы или рассеяны, примыкать вплотную друг к другу или перемежаться объектами других классов. Это усложняет анализ, качество работы классических алгоритмов распознавания оказывается неприемлемо низким.
Предложены несколько известных архитектур искусственных нейронных сетей, решающих задачу сегментации объектов хозяйственной инфраструктуры, представленной несколькими классами. Также предлагается собственная нейросетевая архитектура, основанная на FCDenseNet-101. Приводятся оценки качества при обучении на наборе снимков сверхвысокого разрешения из геоинформационной системы Google Earth. Для уменьшения дисбаланса классов обучающей выборки используется специально разработанный алгоритм вероятностной аугментации.
Задача сегментации рассматривается как один из этапов комплексного метода повышения информативности спутниковых изображений [1-4], ориентированного на использование данных российских спутников “Ресурс-П”. Метод состоит из трёх этапов: комплексирования данных, сегментации объектов целевых классов и восстановления трёхмерной цифровой модели местности.
Работа выполнена при финансовой поддержке Российской Федерации в лице Минобрнауки России в рамках соглашения №075‒15‒2020‒776.

Ключевые слова: свёрточные нейронные сети, цифровая обработка изображений, семантическая сегментация, цифровые модели местности, спутниковые изображения, искусственный интеллект

Литература:

Gvozdev, O.G., Kozub, V.A., Kosheleva, N.V., Murynin, A.B., Richter, A.A. Constructing 3D Models of Rigid Objects from Satellite Images with High Spatial Resolution Using Convolutional Neural Networks // Izvestiya - Atmospheric and Ocean Physics, 2020, 56(12), pp. 1664–1677
Gvozdev, O., Kosheleva, N., Kozub, V., Murynin, A., Richter, A. 3D-modeling infrastructure facilities using deep learning based on high resolution satellite images // International Multidisciplinary Scientific GeoConference Surveying Geology and Mining Ecology Management, SGEM, 2020, 2020-August(2.2), pp. 149–156
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 // Mekhatronika, Avtomatizatsiya, Upravlenie, 2021, 22(1), pp. 48–55
Ignatiev, V.Yu., Matveev, I. A., Murynin, A. B., Usmanova, A. A., Tsurkov, V. I. Increasing the Spatial Resolution of Panchromatic Satellite Images Based on Generative Neural Networks // Journal of Computer and Systems Sciences International, 2021, 60(2), pp. 239–247

Презентация доклада

Видео доклада

XIX.B.350

Нейросетевая сегментация объектов хозяйственной инфраструктуры на спутниковых изображениях высокого разрешения.

Технологии и методы использования спутниковых данных в системах мониторинга