Разработка алгоритма семантической сегментации на основе признаков для разделения наземных и неназемных поверхностей
Финансирование: -
Аннотация:
Последние достижения в области технологий дистанционного зондирования позволяют оцифровывать реальный мир почти автоматически. Результаты воздушного лазерного сканирования представляют собой тип данных с географической привязкой. Они предоставляют подробную трехмерную информацию об объектах и окружающей среде. Автоматизированная классификация и обнаружение объектов, полученных с помощью лидара, необходимы для минимизации производственных затрат. Хотя оптимизация традиционных методов с использованием алгоритмов, основанных на правилах, расширила геопространственные приложения, для получения высококачественного набора данных по-прежнему требуется значительное ручное редактирование. В отличие от изображений, массивы точек неструктурированы, разрежены и имеют нестандартный формат данных. Это создает множество проблем, но также предоставляет огромные возможности для захвата деталей сканируемых поверхностей с точностью до миллиметра. Классификация и отделение неназемных точек от наземных значительно сокращает объемы данных для последовательного анализа поверхностей, что экономит время и упрощает дальнейший анализ. Основная идея научного исследования заключается в применении глубокого обучения как раздела машинного обучения для анализа массива точек. В статье представлен основанный на признаках алгоритм, который классифицирует наземные и неназемные точки в массивах точек воздушного лазерного сканирования.
Ключевые слова (RU):
машинное обучение, глубокое обучение, искусственные нейронные сети, воздушное лазерное сканирование, оптимизатор Адама, двоичный классификатор, анализ главных компонент
Ключевые слова (EN):
machine learning; deep learning; algorithm architecture; airborne laser scanning; Adam optimizer; binary classifier; principal component analysis
Библиографический список:
- Аджич Г. Как повысить эффективность программных продуктов и проектов по их разработке. – М. : Альпина Паблишер, 2017. – 235 c.
- Артемов А. Информационная безопасность. – М. : Академия безопасности и выживания, 2014. – 340 c.
- Баженова И. Ю. Основы проектирования приложений баз данных. – М. : Национальный Открытый Университет «ИНТУИТ», 2016. – 238 с.
- Билгин К. Освоение кросс-платформенной разработки с помощью Xamarin. – М. : Пакт, 2016. – 390 c.
- Болодурина И. П. Системный анализ. – Оренбург : ОГУ, 2013. – 193 с.
- Гаврилова И. В. Разработка приложений. – М. : ФЛИНТА, 2017. – 243 с.
- Гущин А. Н. Базы данных : учеб.-метод. пособие. – М. : Директ-Медиа, 2015. – 311 с.
- Ерохин В. В., Погонышева Д. А. Безопасность информационных систем. – М. : ФЛИНТА: Наука, 2016. – 666 с.
- Замай С. С., Якубайлик О. Э. Программное обеспечение и технологии геоинформационных ϲᴎстем : учеб. пособие. – Красноярск : Краснояр. гос. ун-т., 2015. – 110 с.
- Избачков Ю., Петров В. Информационные системы. – СПб. : Питер, 2011. – 224 с.
- Крючкова Л. А., Самоделкин Л. А., Степанова А. С. и др. Интеллектуальные технологии в геоинформационных системах : учеб. пособие. – Меганьютон. : BSUIR, 2018. – 359 с.
- Исаев Г. Н. Проектирование информационных систем : учеб. пособие. – М. : Омега-Л, 2012. – 432 с.
- Кремер Н. Ш., Путко Б. А., Фридман М. Н. Исследование операций в экономике : учеб. пособие для вузов / под ред. проф. Н. Ш. Кремер. – М. : ЮНИТИ, 2015 – 407 с.
- Кара-Ушанов В. SQL – язык реляционных баз данных. – М. : ФЛИНТА, 2017. – 210 с.
- Качала В. В. Теория систем и системный анализ. – М. : Горячая Линия-Телеком, 2013. – 272 с.
- Кольцов А. С., Федорков Е. Д. Геоинформационные ϲᴎстемы : учеб. пособие. – Воронеж : Воронежский гос. техн. ун-т, 2016. – 203 с.
- Рыбаков М. Бизнес-процессы. Как их описать, отладить и внедрить. – М. : Дрофа, 2016. – 570 с.
- Разработка мобильных приложений: с чего начать [Электронный ресурс]. – Режим доступа: https://habr.com/company/mailru/blog/179113/.