Колобродов, Валентин ГеоргійовичСнагощенко, Діана Михайлівна2023-01-132023-01-132022Снагощенко, Д. М. Розпізнавання (сегментація) об’єктів на супутникових та аерофотознімках : магістерська дис. : 151 Автоматизація та комп’ютерно-інтегровані технології / Снагощенко Діана Михайлівна. – Київ, 2022. – 129 с.https://ela.kpi.ua/handle/123456789/51832Обсяг роботи – 129 Кількість ілюстрацій – 68 Кількість таблиць – 29 Кількість додатків – 0 Кількість джерел за переліком посилань – 65 Актуальність теми. Можливість виявляти нові будівлі безпосередньо з супутника зображення особливо корисні в регіонах, де кількість населення змінюється дуже швидко а також у віддалених і масштабних районах, де перепис цих нових будівель часто виконується вручну і швидко стає неактуальним. Обробка аерофотознімків також може знайти важливе застосування в оцінці будівельних пошкоджень при стихійних лихах, що дозволяє сформулювати адекватну відповідь у цільових областях. Нарешті, це може бути дуже корисним для виробників сонячних панелей, які хочуть оцінити корисну поверхню даху на певній ділянці. Величезні об’єми зображень щодня знімаються бортовими або космічними платформами, і цей обсяг все ще зростає. Така кількість даних робить ручне опрацювання зображень дуже ресурсозатратним, отже зростає необхідність застосування нейронних мереж. Основною задачею автоматичного розпізнавання зображень є призначення семантичного класу або мітки кожному пікселю, тобто перетворення вхідних даних до семантично значущої растрової карти (яка в подальшому може підлягати додатковій обробці за допомогою, наприклад, векторизації або полігонізації). У більшості випадків анотовані дані для навчання класифікатора генеруються вручну окремо для кожного нового проекту, що є трудомістким і дорогим процесом. Мануальну анотацію потрібно повторювати кожного разу, коли змінюється завдання, географічне розташування, характеристики камери (сенсора) чи навіть погодні умови на зображенні, тому процес погано масштабується. 6 Мета і задачі дослідження. Метою даної роботи є проведення порівняльного аналізу архітектур нейронних мереж, кодувальників та метрик та наборів даних для задачі сегментації, дослідження та модифікація функції втрат глибокої згорткової нейронної мережі покращення тренування моделі а також створення, тренування та оцінка якості роботи глибокої згорткової нейронної мережі для сегментації об’єктів на супутникових або аерофотознімках. Для досягнення вказаної мети було розв’язано такі задачі: • проведено вичерпний порівняльний аналіз архітектур сегментаційних мереж та кодувальників; • досліджено набори даних для сегментації будинків на аерофотознімках; • розроблене відповідне програмне забезпечення; • проведено експерименти та навчено низку нейронних мереж; • досліджено вплив функцій втрат на результат роботи моделі; • проведено кількісний та візуальний аналіз отриманих результатів на тестовій вибірці обраного набору даних; • розроблено стартап-проєкт «Розпізнавання (сегментація) об’єктів на супутникових та аерофотознімках» Об’єктом дослідження є технологія розпізнавання (сегментація) об’єктів на супутникових та аерофотознімках. Предметом дослідження є методи сегментації та класифікації об’єктів на супутникових та аерофотознімках. Методи дослідження. Для вирішення поставленої задачі було використано наступні методи: • методи агрегації, збору та анотації зображень; • методи чисельної оптимізації (для оптимізації параметрів глибокої нейронної мережі); • методи розробки програмного забезпечення (для програмної реалізації продукту); • методи комп’ютерної графіки (для роботи з зображеннями та генерації аугментацій); 7 • методи глибокого навчання (для побудови та навчання глибокої згорткової нейронної мережі). Наукова новизна одержаних результатів складається з таких положень: • проведено вичерпний порівняльний аналіз архітектур нейронних мереж, кодувальників, функцій втрат та метрик та наборів даних для задачі сегментації; • модифіковано функції втрат глибокої згорткової нейронної мережі для покращення сегментації об’єктів на супутникових та/або аерофотознімках. Практичне значення одержаних результатів. • для розпізнавання будинків в регіонах, де кількість населення змінюється дуже швидко а також у віддалених і масштабних районах, де перепис цих нових будівель часто виконується вручну і швидко стає неактуальним; • для виробників сонячних панелей для оцінки корисної поверхні даху та кількості сонячного світла на певній ділянці.; • для оцінки пошкоджень при стихійних лихах та військових конфліктах; • наразі існує потреба оцінки пошкоджень в деокупованих регіонах (де є можливість зробити знімки з дрона) та тимчасово окупованих регінах (де наявні тільки супутникові знімки).ukсупутникові знімкиаерофотознімкиглибока згорткова нейронна мережаглибоке навчанняфункці втратсегментація об’єктівMaster Thesis129 с.