Застосування методів машинного навчання для класифікації супутникових зображень: огляд літератури та ключових фреймворків

Автор(и)

  • Олександр Васильович Царинюк Національний університет «Києво-Могилянська академія», Україна https://orcid.org/0000-0003-1394-2040

DOI:

https://doi.org/10.18523/2617-3808.2023.6.36-40

Ключові слова:

машинне навчання, класифікація зображень, супутникові знімки, глибоке навчання, згорткові нейронні мережі, PyTorch, TensorFlow, ГІС

Анотація

У розвитку цифрових технологій і космічної галузі значущу роль відведено ефективному аналізу супутникових зображень. У цій статті докладно розглянуто методи машинного навчання, які застосовують для класифікації таких зображень, а також для вивчення ключових інструментів і фреймворків, які активно використовують у цьому напрямі. В основі дослідження — аналіз сучасних підходів до класифікації, зокрема за допомогою глибоких нейронних мереж. Окремий розділ присвячено популярним фреймворкам, як-от PyTorch, TensorFlow тощо, їхнім особливостям під час роботи з геоданими. Для об’єктивності подано літературний огляд відомих досліджень і робіт, що вплинули на розвиток цієї галузі.

Біографія автора

Олександр Васильович Царинюк, Національний університет «Києво-Могилянська академія»

Студент Ph.D. програми «Комп’ютерні науки» факультету інформатики Національного університету «Києво-Могилянська академія», o.tsaryniuk@ukma.edu.ua

Посилання

  1. Audebert, N., Le Saux, B., & Lefevre, S. (2019). Deep Learning for Classification of Hyperspectral Data: A Comparative Review. IEEE Geoscience and Remote Sensing Magazine, 7 (2), 159–173.
  2. Cheng, G., & Han, J. (2016). A survey on object detection in optical remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing: Official Publication of the International Society for Photogrammetry and Remote Sensing , 117, 11–28.
  3. Cheng, G., Han, J., & Lu, X. (2017). Remote Sensing Image Scene Classification: Benchmark and State of the Art. Proceedings of the IEEE, 105 (10), 1865–1883.
  4. Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), 1, 886–893.
  5. Das, S., Mirnalinee, T. T., & Varghese, K. (2011). Use of Salient Features for the Design of a Multistage Framework to Extract Roads From High-Resolution Multispectral Satellite Images. IEEE Transactions on Geoscience and Remote Sensing: A Publication of the IEEE Geoscience and Remote Sensing Society, 49 (10), 3906–3931.
  6. Huang, X., & Zhang, L. (2009). Road centreline extraction from high‐resolution imagery based on multiscale structural features and support vector machines. International Journal of Remote Sensing, 30 (8), 1977–1987.
  7. Jin, X., & Davis, C. H. (2007). Vehicle detection from high-resolution satellite imagery using morphological shared-weight neural networks. Image and Vision Computing, 25 (9), 1422–1431.
  8. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25. https://proceedings.neurips.cc/paper/2012/hash/c399862d3b-9d6b76c8436e924a68c45b-Abstract.html.
  9. McGlinchy, J., Johnson, B., Muller, B., Joseph, M., & Diaz, J. (2019). Application of UNet Fully Convolutional Neural Network to Impervious Surface Segmentation in Urban Environment from High Resolution Satellite Imagery. IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, 3915–3918.
  10. Mokhtarzade, M., & Zoej, M. J. V. (2007). Road detection from high-resolution satellite images using artificial neural networks. International Journal of Applied Earth Observation and Geoinformation, 9 (1), 32–40.
  11. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In arXiv [cs.CV]. arXiv. http://arxiv.org/abs/1505.04597.
  12. Song, M. J., & Civco, D. (2004). Road Extraction Using SVM and Image Segmentation. Photogrammetric Engineering & Remote Sensing, 12, 1365–1371.
  13. Soni, A., Koner, R., & Villuri, V. G. K. (2020). M-UNet: Modified U-Net Segmentation Framework with Satellite Imagery. Proceedings of the Global AI Congress 2019, 47–59.
  14. Vapnik, V. N. (1999). An overview of statistical learning theory. IEEE Transactions on Neural Networks / a Publication of the IEEE Neural Networks Council, 10 (5), 988–999.
  15. Wang, J., Song, J., Chen, M., & Yang, Z. (2015). Road network extraction: a neural-dynamic framework based on deep learning and a finite state machine. International Journal of Remote Sensing, 36 (12), 3144–3169.

##submission.downloads##

Опубліковано

2024-03-24

Як цитувати

[1]
О. В. Царинюк, «Застосування методів машинного навчання для класифікації супутникових зображень: огляд літератури та ключових фреймворків», NRPCOMP, т. 6, с. 36–40, Бер 2024.