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

Автор(и)

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

Номер

Том 6 (2023): Наукові записки НаУКМА. Комп’ютерні науки

Розділ

Статті

Ліцензія

Авторське право (c) 2023 O. Tsaryniuk

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори, які публікуються у цьому журналі, погоджуються з такими умовами:

а) Автори зберігають за собою авторські права на твір на умовах ліцензії CC BY 4.0 Creative Commons Attribution International License, котра дозволяє іншим особам вільно поширювати (копіювати і розповсюджувати матеріал у будь-якому вигляді чи форматі) та змінювати (міксувати, трансформувати, і брати матеріал за основу для будь-яких цілей, навіть комерційних) опублікований твір на умовах зазначення авторства.

б) Журнал дозволяє автору (авторам) зберігати авторські права без обмежень.

в) Автори мають право укладати самостійні додаткові угоди щодо поширення твору (наприклад, розміщувати роботу в електронному репозитарії), за умови збереження посилання на його першу публікацію. (Див. Політика Самоархівування)

г) Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у репозитаріях) тексту статті, як до подання його до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).