Использование методов глубокого обучения для анализа изображений аэрокосмического мониторинга в интересах обнаружения элементов новизны на местности

Аннотация

Работа посвящена разработке математического и программного обеспечения в интересах обнаружения элементов новизны на аэрокосмических снимках городской, пригородной, лесистой местности и акваторий. Для достижения поставленной цели в ходе работы были исследованы традиционные и современные методы обнаружения изменений, а также популярные архитектуры сегментационных нейронных сетей, алгоритмы постобработки и сопоставления изображений. Основной идеей предлагаемого метода и реализуемых на его основе алгоритмов является применение постклассификационного подхода. Он базируется на оценке разности пары бинарных масок, получаемых в результате сегментации анализируемых разновременных изображений с использованием сегментационных нейронных сетей и специализированных алгоритмов постобработки. При этом предлагается реализовать обнаружение элементов новизны в условиях различий геометрических параметров сравниваемых изображений, которые большинство предложенных ранее методов и алгоритмов не учитывают. Такой подход позволяет использовать результирующие бинарные маски для качественного сопоставления нового и ранее отснятого снимка, коррекции перспективы и, в конечном итоге оценки их разности. Кроме этого, в отличие от большинства предшествующих работ, предлагается обнаруживать не только изменённые объекты, но и определять их классы и такие связанные топографические объекты, как: здания, дороги, деревья и водные объекты. Это предоставляет возможность использования метода в приложениях фотограмметрии. Ввиду отсутствия объективных количественных данных для оценки точности обнаружения было осуществлено визуальное тестирование. В результате был сделан вывод о том, что предложенный подход весьма хорошо работает лишь для обнаружения крупных изменений, поскольку реализованный метод обнаружения имеет высокую чувствительность к малейшим изменениям.