Нейронная сеть U-Net в задачах распознавания классов земной поверхности и облаков

Авторы

  • Н А Бирюков Московский государственный университет геодезии и картографии
  • М П Лапчинская Московский государственный университет геодезии и картографии

DOI:

https://doi.org/10.30533/0536-101X-2021-65-6-673-679

Ключевые слова:

геоинформационные системы, машинное обучение, распознавание образов, нейронные сети, цифровая обработка снимков, семантическая сегментация

Аннотация

В настоящее время нейронные сети активно внедряются в геоинформационные системы для автоматизации процессов дешифрирования и проведения анализа с использованием методов машинного обучения. Использование методов нейронных сетей для задач распознавания классов на космо- и аэрофотоснимкам обусловлено постоянно растущим количеством данных ДЗЗ и аэрофотоснимков, позволяющим проводить обучение и тестировать результирующие модели. В статье рассматриваются архитектуры нейронных сетей, используемых в ГИС, и обосновывается метод нейронных сетей для автоматизации распознавания классов земной поверхности и облаков, являющийся оптимальным на космо- и аэрофотоснимках. В статье сравниваются результаты распознавания трёх архитектур U-Net: U-Net с метрикой оценки “точность”, U-Net с метрикой “коэффициент Жаккара” и U-Net с метрикой “коэффициент Дайса”. Для сравнения используются разные массивы цифровых изображений и распознаваемые классы: спутниковые снимки WorldView 3 с распознаваемым классом “лесные массивы”, аэрофотоснимки взволнованной морской поверхности с классом “рябь на ряби” и аэрофотоснимки облачности с классом “облака”. При сравнении нейронных сетей, используемых в ГИС, выявлены особенности, влияющие на возможность их использования в задачах распознавания классов земной поверхности и облаков: архитектура RetinaNet не позволяет отразить сложную метрику пространственных объектов, а Mask R-CNN затрачивает больше времени на обработку данных при обучении, чем U-Net. Результаты распознавания моделей U-Net интерпретированы и представлены в виде таблицы. Приведённое в статье исследование показывает, что U-Net с метрикой “точность” обладает наибольшей обучаемостью и способна распознавать все рассматриваемые классы, хоть и с наличием зернистости. В то время как модели U-Net с метриками “коэффициент Жаккара”  и “коэффициент Дайса” показывают лучшие результаты при распознавании класса “облака”.

Библиографические ссылки

1. Ховатов Н. Э. Информационные технологии в электронике / Н. Э. Ховатов // ModernScience. 2021. № 3-1. C. 490-495.
2. Mitchell T. M. Machine learning. New York: McGraw Hill Science/Engineering/Math, 1997. 432 p.
3. Amr T. Hands-on machine learning with scikit-learn and scientific python toolkits. Birmingham: Packt Publishing Ltd., 2020. 342 p.
4. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation // Proceeding of the Medical
Image Computing and Computer-Assisted Intervention (MICCAI) 18th International Conference. Part III. 5-9 October. Munich.
2015. P. 234-241. URL: https://arxiv.org/pdf/1505.04597.pdf (дата обращения 10.06.2021).
5. Focal loss for dense object detection [Электронный ресурс]. / T. Lin, P. Goyal, R. Girshick, K. He, P. Dollár // IEEE. 2018. Vol. 42.
No. 2. P. 318-327 URL: https://arxiv.org/pdf/1708.02002.pdf (дата обращения 12.11.2021). DOI: 10.1109/TPAMI.2018.2858826
6. Mask R-CNN [Электронный ресурс] / K. He, G. Gkioxari, P. Dollár, R. Girshick // Proceeding of International Conference on
Computer Vision (ICCV). 2017. URL: https://arxiv.org/pdf/1703.06870.pdf (дата обращения 10.06.2021).
7. Емельянов А. В. Анализ методов семантической сегментации изображений на основе нейронных сетей / А. В. Емельянов //
Математические методы в технике и технологиях (ММТТ). 2019. Т. 12-1. С. 195-201.
8. Guo, Y. Cloud detection for satellite imagery using attention-based U-Net convolutional neural network / Y. Guo, X. Cao, B. Liu,
M. Gao // Symmetry. 2020. Vol. 12. No. 6. P. 1-15. DOI: 10.3390/sym12061056
9. Lynda, N. O. Application of deep learning in satellite image-based land cover mapping in Africa / N. O. Lynda, E. I. Chukwukalo,
N. A. Nnanna, A. A. Aminu // International Journal of Advanced Computer Science and Applications. 2021. Vol. 12. No. 9. P. 418-
428. DOI: 10.14569/IJACSA.2021.0120948
10. Varga, O. G. Validation of visually interpreted CORINE land cover classes with spectral values of satellite images and machine
learning / O. G. Varga, Z. Kovács, L. Bekő, P. Burai, Z. C. Szabó, I. Holb, S. Ninsawat, S. Szabó // Remote Sensing. 2021. Vol. 13.
No. 5. P. 1-24. DOI: 10.3390/rs13050857



1. Khovatov NE. Information technologies in electronics. Modern Science. [Modern Science]. 2021;3-1: 490-495. (In Russian)
2. Mitchell TM. Machine learning. New York: McGraw Hill Science/Engineering/Math; 1997.
3. Amr T. Hands-on machine learning with scikit-learn and scientific python toolkits. Birmingham: Packt Publishing Ltd.; 2020.
4. Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation // Proceeding of the Medical
Image Computing and Computer-Assisted Intervention (MICCAI) 18th International Conference. Part III. Munich. 2015. p. 234-
241. URL: https://arxiv.org/pdf/1505.04597.pdf (accessed 10 June 2021).
5. Lin T, Goyal P, Girshick R, He K, Dollár P. Focal loss for dense object detection. IEEE. 2018;42(2): 318-327, available at: https://
arxiv.org/pdf/1708.02002.pdf (accessed 12 November 2021). DOI: 10.1109/TPAMI.2018.2858826
6. He K, Gkioxari G, Dollár P, Girshick R. Mask R-CNN. Proceeding of International Conference on Computer Vision (ICCV).
2017; available at: https://arxiv.org/pdf/1703.06870.pdf (accessed at 10 June 2021).
7. Emel'yanov AV. Semantic segmentation methods analysis on neural networks basis. Matematicheskie metody v tekhnike
i tekhnologiyakh (MMTT) [Mathematical methods in engineering and technology (MMET)]. 2019;12-1: 195-201. (In Russian)
8. Guo Y, Cao X, Liu B, Gao M. Cloud detection for satellite imagery using attention-based U-Net convolutional neural network.
Symmetry. 2020;12(6): 1-15. DOI: 10.3390/sym12061056
9. Lynda NO, Chukwukalo EI, Nnanna NA, Aminu AA. Application of deep learning in satellite image-based land cover mapping
in Africa. International Journal of Advanced Computer Science and Applications. 2021;12(9): 418-428.
DOI: 10.14569/IJACSA.2021.0120948
10. Varga OG, Kovács Z, Bekő L, Burai P, Szabó ZC, Holb I, Ninsawat S, Szabó S. Validation of visually interpreted CORINE land
cover classes with spectral values of satellite images and machine learning. Remote Sensing. 2021;13(5): 1-24.
DOI: 10.3390/rs13050857
Известия вузов. Геодезия и аэрофотосъемка

Опубликован

12.01.2022

Как цитировать

Бирюков, Н. А., & Лапчинская, М. П. (2022). Нейронная сеть U-Net в задачах распознавания классов земной поверхности и облаков. Известия высших учебных заведений «Геодезия и аэрофотосъемка», 65(6), 673–679. https://doi.org/10.30533/0536-101X-2021-65-6-673-679

Выпуск

Раздел

Геоинформатика