Математик РУДН улучшил алгоритм машинного обучения для распознавания изображений со спутников

Математик РУДН улучшил алгоритм машинного обучения для распознавания изображений со спутников

Математик РУДН предложил метод машинного обучения, который позволяет автоматически распознавать снимки со спутников и авиационных радаров. Алгоритм может определить, какой вид растений посажен на полях, точнее, чем существовавшие ранее разработки.

Системы современных спутников и радаров можно использовать для автоматического мониторинга землетрясений, извержений вулканов, пожаров и других катаклизмов, а также чтобы следить за состоянием почв, растительности, рек. Чтобы автоматизировать этот процесс, нужны сложные алгоритмы распознавания и классификации объектов, позволяющие компьютеру по набору пикселей понять, что изображено на снимке. Для этих целей используют машинное обучение — компьютер «просматривает» тысячи примеров и таким образом учится распознавать изображения самостоятельно. Чтобы улучшить результаты машинного обучения, часто используют комбинацию нескольких обучающих алгоритмов. Это дает более точные решения, чем каждый из них в отдельности. Математик РУДН разработал такой ансамблевый метод с использованием трех алгоритмов для обработки данных из нескольких источников.

Математики использовали данные пяти мини-спутников RapidEye и авиационного радара UAVSAR за 5 и 7 июля 2012 года — они снимали один и тот же участок местности в Канаде. Съемка RapidEye велась в пяти диапазонах светового спектра: синем (B), зеленом (G), красном ®, ближнем инфракрасном (NIR) и области, называемой «красный край» (RE), в которой происходит резкое усиление отражения зелёной растительности. Данные содержали 38 характеристик — спектральные каналы, индексы растительности, текстурные параметры и так далее. Их пространственное разрешение — то есть минимальный размер объекта, различимый на снимках, — около пяти метров. Радиолокационные изображения UAVSAR включали 49 различных характеристик, их пространственное разрешение — около 15 метров. Математики сопоставили полученные снимки со справочными данными об этой территории, собранными летом 2012 года. В них выделили семь типов растений — широколиственные растения, рапс, кукуруза, овес, горох, соя и пшеница. Новый алгоритм «обучили» на основе примеров полученных изображений и данных о типе посадок, а затем сравнили его предсказание с результатами работы других программ, устроенных по похожему принципу.

Новый метод показал более высокую точность интерпретации изображений, причем как на больших, так и на ограниченных объемах примеров для обучения алгоритмов. Если обучение проходило на 5% от всех данных, то новый алгоритм распознавал изображения верно в не менее 65% случаев, другие алгоритмы — в 52-60%. С увеличением доли обучающих данных до 50% от общего объема точность нового алгоритма повышалась до почти 90%, а других — до 75-86%. Таким образом, применение нового алгоритма было признано более эффективным.

«Наш метод может быть предложен для системы классификации землепользования и растительного покрова с помощью данных, полученных из разных источников. Например, спутников Landsat или Sentinel constellation», — кандидат технических наук Владимир Разумный, доцент департамента механики и мехатроники РУДН.

Результаты опубликованы в журнале International Journal of Image and Data Fusion

Новости
Все новости
Наука
19 ноября
Магистрантка РУДН назвала барьеры в использовании отходов стекла как вторичного сырья

На I Всероссийской научно-практической конференции по экономике замкнутого цикла Российский университет дружбы народов представила магистрант второго курса института экологии (базовая кафедра экономики и замкнутого цикла) Вероника Бабердина. Она выступила с докладом «Барьеры использования отходов стекла как вторичного сырья для производства стеклотары и направления их преодоления в европейской части России».

Наука
18 ноября
Студенты РУДН создали проект города для пустынного климата

Международная группа студентов РУДН из России, Китая, Руанды и Туниса создала инновационную концептуальную модель малоэтажного города для засушливых регионов с жарким климатом. Это, в частности, пустыни и полупустыни, характерные, например, для Южной Африки. Одна из особенностей проекта — пассивное охлаждение городских улиц за счет пластики архитектурных форм.

Наука
17 ноября
Какой вклад вносят страны ШОС+ в научное сотрудничество с РУДН по целям устойчивого развития

За последние пять лет больше всего научных работ ученых РУДН, относящихся к целям устойчивого развития, касались здоровья и благополучия человека. Это более половины от всех публикаций, посвященных ЦУР. В тройку также входят работы, в которых нашли отражение вопросы индустриализации, инноваций и инфраструктуры, а также ликвидации голода. При этом в числе основных партнеров по исследованиям в области ЦУР — страны ШОС+: в сотрудничестве с учеными из этих государств создается каждая четвертая статья университета по этой тематике. Именно пути стран ШОС+ в реализации ЦУР и посвящена международная конференция «В целях устойчивого развития цивилизации: сотрудничество, наука, образование, технологии», которая ежегодно проходит в РУДН.