Комбинированный подход автоматизированного поиска коассоциативных зависимостей в качестве этапа предпроцессинга разведочного анализа многоспектральных изображений
Боковая панель статьи
Основное содержимое статьи
Аннотация
В статье предложена комбинация подходов кластерного анализа и методов машинного обучения в области анализа космических снимков земельных наделов. Подход предполагает облегчение задачи нейронной сети в обнаружении пикселей разных классов с аналогичными сигнатурами и их правильной интерпретации. Приводится теоретическое обоснование подхода при анализе многоспектральных изображений пахотных земель. Процедура первичной работы с данными сводится к приведению данных в формат, формирующий качественное обучающее множество, от чего, в конечном итоге, будет зависеть масштабируемость и робастность модели после обучения. Для этого в работе приведена процедура предпроцессинга данных, использование которой позволит повысить точность раскрытия структурных зависимостей и их наследования на свежие данные.
Скачивания
Информация о статье
Библиографические ссылки
Балов, Б. Глубокое обучение: визуальные иерархии, рецептивное поле и многое другое, что заставляет сверточные нейронные сети работать так хорошо. – URL : https://medium.com/@balovbohdan/глубокое–обучение–разбираемся–со–свертками– 6e47bfc27792 (дата обращения: 14.10.2020).
Бондур, В. Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации // Исследование Земли из космоса. – 2014. – №1. – С. 4–16.
Вакуленко, Д. В. Мониторинг состояния сельскохозяйственных земель на основе суперпиксельной сегментации цифровых изображений / Д. В. Вакуленко, А. Г. Кравец // Перспективные информационные технологии (ПИТ 2020) = Advanced Information Technologies and Scientific Computing (PIT 2020) : тр. междунар. науч.–техн. конф. (г. Самара, 21–22 апреля 2020 г.) / под ред. С. А. Прохорова ; Самарский национальный исследовательский ун–т им. акад. С. П. Королева, Самарский научный центр РАН. – Самара, 2020. – C. 14–21.
Построение устойчивых признаков детекции и классификации объектов, не обладающих характерными яркостными контрастами / С. А. Гладилин, А. А. Котов, Д. П. Николаев, С. А. Усилин // Информационные технологии и вычислительные системы. – 2014. – С. 53–60.
Кузнецов, А. С. Кластеризация изображений при использовании предобученных нейронных сетей / А. С. Кузнецов, Е. Ю. Семенов, Л. Д Матросова. // International Journal of Open Information Technologies, 2019. – Vol. 7. – № 7.
Кустикова, В. Образовательный курс по вопросам построения и анализа качества работы глубоких нейронных сетей «Введение в глубокое обучение с использованием Intel neon Framework» // Нижегородский государственный университет им. Н.И. Лобачевского. – URL : http://hpceducation.unn.ru/ru/обучение/курсы/intel–neon–framework.
Нейронные сети: распознавание образов и изображений с помощью ИИ // Центр 2М: Разработка платформенных решений в области промышленного Интернета вещей. – URL : https://center2m.ru/ai–recognition.
Нейросеть для классификации спутниковых снимков с помощью Tensorflow на Python. – URL : https://habr.com/ru/company/jetinfosystems/blog/468973/ (дата обращения: 25.09.2020).
Прикладные решения нейросетевых методов анализа данных. Знакомство с возможностями пакета фирмы StatSoft. – URL : http://statsoft.ru/home/textbook/modules/stneunet.html (дата обращения: 18.10.2020).