Оценка и тестирование возможностей нейросетевых алгоритмов для обеспечения автоматизации дешифрирования графической информации в комплексах дистанционного зондирования Земли

Мингалев А.В., Белов А.В., Габдуллин И.М., Мардановна Д.А., Агафонова Р.Р., Шушарин С.Н., Шлеймович М.П.

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Мингалев А.В., Белов А.В., Габдуллин И.М., Марданова Д.А., Агафонова Р.Р., Шушарин С.Н., Шлеймович М.П. Оценка и тестирование возможностей нейросетевых алгоритмов для обеспечения автоматизации дешифрирования графической информации в комплексах дистанционного зондирования Земли // Оптический журнал. 2022. Т. 89. № 10. С. 68–79. http://doi.org/10.17586/1023-5086-2022-89-10-68-79

Mingalev A.V., Belov A.V., Gabdullin I.M., Mardanova D.A., Agafonova R.R., Shusharin S.N., Shleimovich M.P. Evaluating and testing neural-network algorithm capabilities for automating image data analysis for remote sensing of the Earth [in Russian] // Opticheskii Zhurnal. 2022. V. 89. № 10. P. 68–79. http://doi.org/10.17586/1023-5086-2022-89-10-68-79

Ссылка на англоязычную версию:

A. V. Mingalev, A. V. Belov, I. M. Gabdullin, D. A. Mardanova, R. R. Agafonova, S. N. Shusharin, and M. P. Shleimovich, "Evaluating and testing neural-network algorithm capabilities for automating image data analysis for remote sensing of the Earth," Journal of Optical Technology. 89(10), 607-614 (2022). https://doi.org/10.1364/JOT.89.000607

Аннотация:

Предмет исследования. В данной работе представлены результаты сравнительного анализа и тестирования возможностей применения некоторых детектирующих нейросетевых алгоритмов, а также программных интерфейсов и библиотек машинного обучения для выполнения дешифрирования графических данных, формируемых сканерными тепловизионными съёмочными системами, в режиме реального времени. Метод. В качестве основных критериев оценки детектирующих алгоритмов были выбраны такие показатели, как наличие программных интерфейсов для интеграции и адаптации алгоритмов в разрабатываемое программное обеспечение, скорость обработки данных, точность детектирования объектов. Оценка критериев выполнялась на основе практических экспериментов с обучением и запуском нейросетевых алгоритмов в тестовом программном обеспечении на ЭВМ различных конфигураций. Основные результаты. Показано, что современные нейросетевые алгоритмы позволяют обрабатывать графические данные с точностью обнаружения объектов заданных классов на изображениях, позволяющей автоматизировать процесс дешифрирования графической информации для обработки графических данных, формируемых сканерными тепловизионными съёмочными системами, в режиме реального времени. Практическая значимость. Результаты выполненных исследований и тестов, приведённые в данной работе, могут оказаться полезными и сократят время поиска для разработчиков, которым необходимо определить базовые нейросетевые алгоритмы для решения практических задач автоматизации, связанных с обработкой графической информации. Реализация рассмотренных алгоритмов в разрабатываемом программном обеспечении позволит выполнять дешифрирование графической информации в процессе выполнения съёмочных работ в режиме реального времени за счёт уменьшения объёма обрабатываемой оператором информации, что делает возможным исключить этап постобработки из технологической цепочки выполнения съёмочных работ.

Ключевые слова:

нейросетевые алгоритмы, детектирование объектов, машинное обучение, сканерные тепловизионные съёмочные системы

Коды OCIS: 150.0150, 100.0100

Список источников:

1. Jonathan Huang, Vivek Rathod, Chen Sun, Menglong Zhu, Anoop Korattikara, Alireza Fathi, Ian Fischer, Zbigniew Wojna, Yang Song, Sergio Guadarrama, Kevin Murphy. Speed/accuracy trade-offs for modern convolutional object detectors // arXiv:1611.10012v3 [cs.CV] 25 Apr 2017, http://doi.org/10.48550/arXiv.1611.10012
2. Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam. MobileNets: Efficient convolutional neural networks for mobile vision applications // arXiv:1704.04861v1 [cs.CV] 17 Apr 2017, http://doi.org/:10.48550/arXiv.1704.04861

3. Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov, Liang-Chieh Chen. MobileNetV2: Inverted residuals and linear bottlenecks // arXiv:1801.04381v4 [cs.CV] 21 Mar 2019. http://doi.org/10.48550/arXiv.1801.04381
4. Joseph Redmon, Ali Farhadi. YOLO9000: Better, faster, stronger // arXiv:1612.08242v1 [cs.CV] 25 Dec 2016. http://doi.org/10.48550/arXiv.1612.08242
5. Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao. YOLOv4: Optimal speed and accuracy of object detection // arXiv:2004.10934. http://doi.org/10.48550/arXiv.2004.10934
6. Ren S., He K., Girshick R., Sun J. Faster r-cnn: Towards real-time object detection with region proposal networks // In Advances in neural information processing systems. 2015. P. 91–99.
7. ImageNet Large Scale Visual Recognition Challenge 2017 (ILSVRC2017)
8. Tsung-Yi Lin, Michael Maire, Serge Belongie, Lubomir Bourdev, Ross Girshick, James Hays, Pietro Perona, Deva Ramanan, C. Lawrence Zitnick, Piotr Dollár. Microsoft COCO: Common objects in context // arXiv:1405.0312v3 [cs.CV] 21 Feb 2015.http:// doi.org/10.48550/arXiv.1405.0312
9. Электронный ресурс URL: https://opencv.org
10. Электронный ресурс URL: https://www.tensorflow.org
11. Электронный ресурс URL: https://onnx.ai
12. Электронный ресурс URL: https://developer.nvidia.com/tensorrt
13. Электронный ресурс URL: http://Caffe.berkeleyvision.org (дата обращения 02.10.2017)
14. Электронный ресурс URL: https://pjreddie.com/darknet
15. Электронный ресурс URL: https://Intel.com
16. Мингалев, А.В. Распознавание тест-объектов на тепловизионных изображениях / Мингалев А.В., Белов А.В., Габдуллин И.М., Агафонова Р.Р., Шушарин С.Н. // Компьютерная оптика. 2019. Т. 43. № 3. С. 402–411. http:// doi.org/ 10.18287/2412-6179-2019-43-3-402-411.
17. Электронный ресурс URL: https://habr.com/ru/company/recognitor/
18. Kendrick Boyd, Kevin H. Eng, C. David Page. Area under the precision-recall curve: Point estimates and confidence intervals // In Machine Learning and Knowledge Discovery in Databases. 2013. P. 451–466 / Lecture Notes in Computer Science. V. 8190. Ed. by Blockeel H., Kersting K., Nijssen S., Železný F. Springer. 2013. http://doi.org/10.1007/978–3-642–40994–3_29
19. Saito T., Rehmsmeier M. The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets // PLoS One. 2015. 10,3: e0118432.
20. Электронный ресурс URL: http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_coco_2018_01_28.tar.gz
21. Электронный ресурс URL: http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v2_coco_2018_03_29.tar.gz
22. Электронный ресурс URL: http://download.tensorflow.org/models/object_detection/faster_rcnn_inception_v2_coco_2018_01_28.tar.gz
23. Электронный ресурс URL: https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.conv.29
24. Электронный ресурс URL: https://drive.google.com/file/d/18v-36esoXChPsOKwyP-2GWrpYDptDY8Zf/view?usp=sharing
25. Электронный ресурс URL: https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.conv.29