Н. В. Порохов

Детальная_Инф:  Да
Автор1:  Н. В. Порохов
Афиилиация1:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Россия
Автор2:  П. Ю. Бугаков
Афиилиация2:  Сибирский государственный университет геосистем и технологий, г. Новосибирск, Россия
Название статьи:  Разработка методики автоматизированной актуализации карт городских территорий с помощью технологии компьютерного зрения
Рубрика:  Картография и геоинформатика
Начало_Страница:  96
Конец_Страница:  106
УДК:  528.92:004.8
DOI:  10.33764/2411-1759-2021-26-6-96-106
Год:  2021
Номер:  6
Том:  26
Ключевые слова_RU:  автоматизация, открытые карты, компьютерное зрение, нейронные сети
Ключевые слова_EN:  automation, open maps, computer vision, neural networks
Библиографический список:  1. Ляшов М. В., Береза А. Н., Бабаев А. М., Коцюбинская С. А. Нейросетевая система отслеживания и распознавания объектов в видеопотоке // Современные наукоемкие технологии. – 2018. – № 12-1. – С. 102–107.
2. Ямашкин А. А., Ямашкин С. А. Использование нейронных сетей прямого распространения для ландшафтного картографирования на базе космических снимков // Геодезия и картография. – 2014. – № 11. – С. 52–58.
3. Кирпичников А. П., Ляшева С. А., Трегубов В. М., Шильников К. В., Шлеймович М. П. Обнаружение трещин дорожного покрытия на изображениях // Вестник технологического университета. – 2019. – Т. 22, № 8. – С. 186–190.
4. Локтев А. А., Алфимцев А. Н., Локтев Д. А. Алгоритм распознавания объектов // Вестник МГСУ. – 2012. – № 5. – С. 194–201.
5. Буэно Г. Г., Эспиноса А. Х. Л., Суарес О. Д. Обработка изображений с помощью OpenCV. – М. : ДМК-Пресс, 2016. – 210 с.
6. Прохоренок Н. А. OpenCV и Java. Обработка изображений и компьютерное зрение. – СПб. : БХВПетербург, 2018. – 320 с.
7. Булыгин Д. А., Мамонова Т. Е. Распознавание жестов рук в режиме реального времени // Научный вестник НГТУ. – 2020. – № 1(78). – С. 25–40.
8. Тарасов А. В. Современные методы оперативного картографирования нарушений лесного покрова // Вестник СГУГиТ. – 2020. – Т. 25, № 3. – С. 201–213.
9. Li J., Allinson N. M. Subspace learning-based dimensionality reduction in building recognition // Neurocomputing. – 2009. – Vol. 73 (1–3). – P. 324–330.
10. Li J., Allinson N. M. Building recognition in urban environments: A survey of state-of-the-art and future challenges // Information Sciences. – 2014. – Vol. 277. – P. 406–420.
11. Зеленцов И. А. Распознавание образов. Обзорная лекция [Электронный ресурс]. – Режим доступа: http://it-claim.ru/Persons/Zelencov/Lection_presentation.pdf (дата обращения 22.10.2020).
12. ГОСТ 21830–76. Приборы геодезические. Термины и определения. – М. : Изд-во стандартов, 1986.
13. ГОСТ Р 52928–2010. Система спутниковая навигационная глобальная. Термины и определения. – М. : Стандартинформ, 2018.
14. ГОСТ Р 53864–2010. Глобальная навигационная спутниковая система. Сети геодезические спутниковые. Термины и определения. – М. : Стандартинформ, 2018.
15. ГОСТ 32453–2017. Глобальные навигационные спутниковые системы. Системы координат. Методы преобразований координат определяемых точек. – М. : Стандартинформ, 2017.
16. ГОСТ Р ИСО 17123-8–2001. Государственная система обеспечения единства измерений. Оптика и оптические приборы. Методы полевых испытаний геодезических и топографических приборов. Часть 8. Полевые испытания GNSS-аппаратуры в режиме «Кинематика в реальном времени». – М. : Стандартинформ, 2019.
17. TensorFlow [Электронный ресурс]. – Режим доступа: https://www.tensorflow.org/ (дата обращения: 01.12.2020).
18. Ермаков М. К., Вартанов С. П. Подход к проведению динамического анализа java-программ методом модификации виртуальной машины Java // Труды ИСП РАН. – 2015. – Т. 27, № 2. – С. 23–38.
19. Oracle Java [Электронный ресурс]. – Режим доступа: https://www.oracle.com/ru/java/ (дата обращения: 07.12.2020).
20. Брюс Эккель. Философия Java. – 4-е изд. – СПб. : Питер, 2018. – 1168 с.
21. TechCrunch [Электронный ресурс]. – Режим доступа: https://techcrunch.com/ (дата обращения: 03.03.2021).
22. Пантилимонов М. В., Бучацкий Р. А., Жуйков Р. А. Кэширование машинного кода в динамическом компиляторе SQL-запросов для СУБД PostgreSQL // Труды ИСП РАН. – 2020. – Т. 32, № 1. – С. 205–220.
23. PostgreSQL [Электронный ресурс]. – Режим доступа: https://www.postgresql.org/ (дата обращения: 03.12.2020).
24. Sharayeu Y. Machine learning and lambda architecture methods application to optimize PostgreSQL database performance // Big data and advanced analytics. – 2019. – № 5. – С. 81–82.
25. ArcMap [Электронный ресурс]. – Режим доступа: https://desktop.arcgis.com/ru/arcmap/ (дата обращения 10.02.2021).
26. Коэльё Л. П., Ричерт В. Построение систем машинного обучения на языке Python. – Пер. с англ. – М. : ДМК Пресс, 2015. – 303 с.
27. Philbin J., Chum O., Isard M., Sivic J., Zisserman A. Object retrieval with large vocabularies and fast spatial matching // 2007 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2007) (18–23 June 2007). – Minneapolis, Minnesota, USA. doi: 10.1109/CVPR.2007.383172.
28. Shao T. S. H., Gool L. V. Zubud-Zurich buildings database for image based recognition : Technique Report № 260. – Swiss Federal Institute of Technology, 2003.
29. GEOJSON [Электронный ресурс]. – Режим доступа: https://geojson.org/ (дата обращения: 22.01.2021).
Ссылка:  /upload/vestnik/sborniki/2021/26_6/96-106.pdf
Читать далее