(45-4) 12 * << * >> * Русский * English * Содержание * Все выпуски

Исследование применимости сверточной нейронной сети U-Net к задаче сегментации изображений авиационной техники
Д.А. Гаврилов 1,2

1 Институт точной механики и вычислительной техники им. С.А. Лебедева РАН,
119991, Россия, Москва, Ленинский проспект, д. 51,
2 Московский физико-технический институт (национальный исследовательский университет),
141701, Россия, Московская область, г. Долгопрудный, Институтский переулок, д. 9

 PDF, 1365 kB

DOI: 10.18287/2412-6179-CO-804

Страницы: 575-579.

Аннотация:
В работе проведено исследование применимости сверточной нейронной сети U-Net к задаче сегментации изображений авиационной техники. Метод нейросетевой сегментации изображений основан на реализации Сarvana c архитектурой типа U-Net, для распознавания ориентации использована нейросеть, построенная в открытой нейросетевой библиотеке Keras на основе предобученной нейронной сети VGG16. Рассмотренный подход позволяет осуществлять сегментацию изображений. Результаты проведенных экспериментов показали возможность достаточно точного (0,94 – 0,96) выделения объекта интереса. Полученные бинарные маски позволяют визуально судить о классе самолета, имеющегося на изображении.

Ключевые слова:
техническое зрение, обнаружение, локализация, нейронная сеть, распознавание, обработка изображений.

Цитирование:
Гаврилов, Д.А. Исследование применимости сверточной нейронной сети U-Net к задаче сегментации изображений авиационной техники / Д.А. Гаврилов // Компьютерная оптика. – 2021. – Т. 45, № 4. – С. 575-579. – DOI: 10.18287/2412-6179-CO-804.

Citation:
Gavrilov DA. Investigation of the applicability of the convolutional neural network U-Net to a problem of segmentation of aircraft images. Computer Optics 2021; 45(4): 575-579. DOI: 10.18287/2412-6179-CO-804.

Литература:
  1. Белов, А.М. Алгоритм выявления случайных искажений в составе сцены на серии разновременных изображений ДЗЗ одной и той же территории / А.М. Белов, А.Ю. Денисова // Компьютерная оптика. – 2019. – Т. 43, № 5. – С. 869-885. – DOI: 10.18287/2412-6179-2019-43-5-869-885.
  2. Борзов, С.М. Исследование эффективности классификации трудноразличимых типов растительности по гиперспектральных изображениям / С.М. Борзов, М.А. Гурьянов, О.И. Потатуркин // Компьютерная оптика. – 2019. – Т. 43, № 3. – С. 464-473. – DOI: 10.18287/2412-6179-2019-43-3-464-473.
  3. Lovtsov, D.A. Automated special purpose optical electronic system’s functional diagnosis / D.A. Lovtsov, D.A. Gavrilov // 2019 International Seminar on Electron Devices Design and Production (SED). – 2019. – 4 p. – DOI: 10.1109/SED.2019.8798409.
  4. Gavrilov, D.A. Quality assessment of objects detection and localization in а video stream / D.A. Gavrilov // Вестник МГТУ им. Н.Э. Баумана. Серия Приборостроение. – 2019. – Т. 125, № 2. – С. 40-55.
  5. Гаврилов, Д.А. Поточная аппаратная реализация алгоритма SURF / Д.А. Гаврилов, А.В. Павлов // Известия высших учебных заведений. Электроника. – 2018. – Т. 23, № 5. – С. 502-511.
  6. Паркалов, А.В. Применение нейронных и семантических сетей для сегментации растровых изображений земной поверхности / А.В. Паркалов // Открытые семантические технологии проектирования интеллектуальных систем (OSTIS-2012). – 2012. – С. 527-530.
  7. Ревякин, А.М. Подходы к разработке системы распознавания для решения задачи определения контента цифровых изображений [Электронный ресурс] / А.М. Ревякин, А.В. Скурнович // Науковедение. – 2016. – Т. 8, № 4. – URL: https://naukovedenie.ru/PDF/30TVN416.pdf (дата обращения 02.11.2020).
  8. Дюдин, М.В. Методы и алгоритмы контурного анализа для задач классификации сложноструктурируемых изображений / М.В. Дюдин, А.Д. Поваляев, Е.С. Подвальный, Р.А. Томакова // Вестник Воронежского государственного технического университета. – 2014. – Т. 3, № 1. – С. 54-59.
  9. Местецкий, Л.М. Непрерывная морфология бинарных изображений: фигуры, скелеты, циркуляры / Л.М. Местецкий. – Москва: Физматлит, 2009.
  10. Друки, А.А. Сематическая сегментация данных дистанционного зондирования земли при помощи нейросетевых алгоритмов / А.А. Друки, В.Г. Спицын, Ю.А. Больтова, А.А. Башлыков // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2018. – Т. 329, № 1. – С. 59-68.
  11. Ronneberger, O. U-Net: Convolutional networks for biomedical image segmentation / O. Ronneberger, Ph. Fischer, Th. Brox. – In: Medical image computing and computer-assisted intervention – MICCAI 2015 / ed. by N. Navab, J. Hornegger, W.M. Wells, A.F. Frangi. – New York: Springer International Publishing Switzerland, 2015. – Part III. – P. 234-241. – DOI: 10.1007/978-3-319-24574-4_28.
  12. Carvana image masking challenge–1st place winner’s interview [Electronical Resource]. – 2017. – URL: http://blog.kaggle.com/2017/12/22/carvana-image-masking-first-place-interview/ (request date 22.07.2020).
  13. Keras [Electronical Resource]. – URL: https://keras.io/ (request date 22.07.2020).
  14. Simonyan, K. Very deep convolutional networks for large-scale image recognition / K. Simonyan, A. Zisserman // 3rd International Conference on Learning Representations (ICLR 2015). – 2015. – 14 p.
  15. Nanda, Y. What is the VGG neural network? [Electronical Resource] / Y. Nanda. – 2018. – URL: https://www.quora.com/What-is-the-VGG-neural-network (request date 22.07.2020).
  16. Gavrilov, D.A. A method for aircraft labeling in remote sensing images based on continuous morphological models / D.A. Gavrilov, L.M. Mestetskiy, A.B. Semenov // Programming and Computer Software. – 2019. – Vol. 45, Issue 6. – P. 303-310.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20