Исследование и разработка интеллектуальной системы

Автоматическое обнаружение точек интереса на спутниковых изображениях представляет собой серьезную проблему, поскольку это технически сложно и может иметь значительное влияние. Действительно, до тех пор, пока не удастся настроить надежный процесс, большая часть этих анализов выполняется вручную, что отнимает много времени и денег.

Процесс классификации каждой части изображения по разным категориям называется «сегментация изображения» . Спутниковое изображение может быть разделено на части, представляющие либо искусственные структуры, такие как здания и дороги, природные структуры, такие как леса, поля и пляжи, либо динамические события, такие как дорожные работы и собрания. Здесь мы просто разделим изображения на две категории: здания и не здания.

[pic 1]

Сегнет нейронная сеть

В настоящее время самым лучшим методом, используемым для сегментации изображений, является архитектура нейронной сети segnet , методы глубокого обучения, основанные на наборе нескольких архитектур искусственных нейронных сетей .

Основная часть Segnet основана на одной из простейших архитектур глубокого обучения, используемых для изображений, известной как глубокий автоэнкодер . Он состоит из части кодирования и части декодирования. Кодирующая часть состоит из нескольких слоев уменьшающихся размеров, которые полностью связаны друг с другом. Декодирующая часть является его симметричной, состоящей из слоев увеличивающихся размеров. Автоэнкодер попытается воспроизвести входное изображение. Поскольку данные проходят через самую узкую часть сети, могут быть сохранены только основные биты информации. Этот метод используется для уменьшения количества измерений данных высокой размерности или в качестве инструмента шумоподавления для изображений.