Подбор параметров обучения нейронной сети PointNext при сегментации точек лазерного отражения для государственного мониторинга земель
+7 (383) 343-12-55 vestnik@ssga.ru
Ru
En
Ru
En
Авторам публикаций
Вестник СГУГиТАрхив журнала Подбор параметров обучения нейронной сети PointNext при сегментации точек лазерного отражения для государственного мониторинга земель

Подбор параметров обучения нейронной сети PointNext при сегментации точек лазерного отражения для государственного мониторинга земель

Землеустройство, кадастр и мониторинг земель
УДК: [004.032.26:621.373]+332.3
DOI: 10.33764/2411-1759-2024-29-4-135-144
Р. А. Дьяченко 1, Д. А Гура 1 2, Д. А. Беспятчук 1, С. В. Самарин 3
Год: 2024
Том: 29
№: 4
Страницы: 135 - 144
1 Кубанский государственный технологический университет, г. Краснодар, Российская Федерация
2 Кубанский государственный аграрный университет, г. Краснодар, Российская Федерация
3 Московский физико-технический институт, г. Долгопрудный, Российская Федерация

Финансирование: Исследование выполнено при финансовой поддержке Кубанского научного фонда в рамках научно-инновационного проекта № НИП20.1/22.16.

Аннотация:

Статья посвящена исследованию применения искусственных нейронных сетей в качестве метода обработки данных лазерного сканирования при проведении государственного мониторинга земель. Важнейшей характеристикой нейронной сети является показатель точности сегментации, поэтому целью настоящего исследования является подбор наилучших параметров обучения на примере искусственно сгенерированного облака точек лазерного отражения для повышения качества модели нейронной сети PointNext при проведении государственного мониторинга земель. В работе проанализированы результаты обучения и оценена точность полученной модели. Как результат, выявлены наилучшие параметры обучения для получения максимальной точности при обучении нейронной сети PointNext. Полученные параметры позволят уменьшить сроки проведения государственного мониторинга земель при реализации государственной программы по приватизации земельных участков из государственной собственности.

Ключевые слова (RU):

искусственно сгенерированные облака точек, PointNet++, гаражная амнистия, управление муниципального контроля, земельный надзор

Ключевые слова (EN):

artificially generated point clouds, PointNet++, garage amnesty, municipal control department, land supervision

Читать статью Скачать JATS XML

Библиографический список:

  1. Рыбкина А. М., Демидова П. М., Коробицына Е. С. Методы интеллектуального анализа территории при строительстве объектов дорожного транспорта // Вестник СГУГиТ. – 2023. – Т. 28, № 4. – С. 138–149. – DOI 10.33764/2411-1759-2023-28-4-138-149.
  2. Черных Е. Г. Организационно-управленческая система регионального мониторинга земель с целью пространственного развития урбанизированных территорий // Вестник СГУГиТ. – 2023. – Т. 28, № 5. – С. 163–172. – DOI 10.33764/2411-1759-2023-28-5-163–172.
  3. Пархоменко Д. В., Пархоменко И. В. Принципы и методика исследования соответствия самовольной постройки градостроительным регламентам // Вестник СГУГиТ. – 2022. – Т. 27, № 6. – С. 169–178. – DOI 10.33764/2411-1759-2022-27-6-169-178.
  4. Гура Д. А., Марковский И. Г., Ряскин А. А. Использование беспилотных летательных аппаратов при осуществлении государственного земельного надзора // Вестник СГУГиТ. – 2022. – Т. 27, № 5. – С. 138–146.
  5. Гура, Д. А., Марковский И. Г., Пшидаток С. К. Методика мониторинга объектов недвижимости с помощью трехмерного лазерного сканирования в специфике городских земель // Геодезия и картография. – 2021. – Т. 82, № 4. – С. 45–53. – DOI 10.22389/0016-7126-2021-970-4-45-53.
  6. Гура Д. А., Дьяченко Р. А., Бойко Е. С., Левченко Д. А. Настройка обучения моделей при классификации и сегментации облаков точек // Искусственный интеллект и принятие решений. – 2024. – № 1. – С. 92–102. – DOI 10.14357/20718594240108.
  7. Qian, Guocheng Li, Yuchen Peng, Houwen Mai, Jinjie Hammoud, Hasan Abed Al Kader Elhoseiny, Mohamed & Ghanem, Bernard. PointNeXt: Revisiting PointNet++ with Improved // Training and Scaling Strategies. – 2022.
  8. Левченко Д. А., Бойко Е. С. Генератор цифровых данных геоточек искусственных территорий «Terra_Maker» : св-во о государственной регистрации программы для ЭВМ, № 2023610228.
  9. Guocheng Qian, Hasan Hammoud, Guohao Li, Ali Thabet, and Bernard Ghanem. Assanet: An anisotropic separable set abstraction for efficient point cloud representation learning // Advances in Neural Information Processing Systems (NeurIPS). – 2021. – 34.
  10. Mikaela Angelina Uy, Quang-Hieu Pham, Binh-Son Hua, Duc Thanh Nguyen, and Sai-Kit Yeung. Revisiting point cloud classification: A new benchmark dataset and classification model on realworld data. // In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). – 2019.
  11. Guohao Li, Matthias Müller, Guocheng Qian, Itzel C. Delgadillo, Abdulellah Abualshour, Ali K. Thabet, and Bernard Ghanem. Deepgcns: Making gcns go as deep as cnns. // IEEE transactions on pattern analysis and machine intelligence (T-PAMI) – PP. – 2021.
  12. Глинский А. В., Новиченко Е. В., Ткачев М. С., Савенков В. М., Теплякова А. Р., Захарочкина Н. А., Бирюков Р. Н., Акобян Л. В. Программа семантической сегментации с учетом данных, получаемых с камер и лидаров : св-во о регистрации программы для ЭВМ 2022663627, 18.07.2022.
  13. Fanfan WU, Feihu YAN, Weimin SHI, Zhong ZHOU, 3D scene graph prediction from point clouds // Virtual Reality & Intelligent Hardware – 2022. – Vol 4, No 1. –– P. 76–88.
  14. Liyao Tang, Yibing Zhan, Zhe Chen, Baosheng Yu, and Dacheng Tao. Contrastive boundary learning for point cloud segmentation. // In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2022.
  15. Xiaohan Ding, Xiangyu Zhang, Yizhuang Zhou, Jungong Han, Guiguang Ding, and Jian Sun. Scaling up your kernels to 31x31: Revisiting large kernel design in cnns // In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) – 2022.
  16. Abdullah Hamdi, Silvio Giancola, and Bernard Ghanem. Mvtn: Multi-view transformation network for 3d shape recognition. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) – Р. 1–11. – 2021.
  17. Reba M., Seto K. C. A systematic review and assessment of algorithms to detect, characterize, and monitor urban land change. // Remote Sensing of Environment – 242. – 2020. – P. 174–181.– DOI 10.1016/j.rse.2020.111739.
  18. Xiaohua Zhai, Alexander Kolesnikov, Neil Houlsby, and Lucas Beyer. Scaling vision transformers. // In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) – P. 12104–2022 – 12113.
  19. Колесников А. А. Анализ методов и средств искусственного интеллекта для анализа и интерпретации данных активного дистанционного зондирования // Вестник СГУГиТ. – 2022. – Т. 27, № 3. – С. 74–94. – DOI 10.33764/2411-2022-27-3-74-94.

Образец цитирования:

Дьяченко Р. А., Гура Д. А., Беспятчук Д. А., Самарин С. В. Подбор параметров обучения нейронной сети PointNext при сегментации точек лазерного отражения для государственного мониторинга земель // Вестник СГУГиТ. – 2024. – Т. 29, № 4. – С. 135–144. – DOI 10.33764/2411-1759-2024-29-4-135-144