Екологічний моніторинг ландшафтних ділянок з використанням регуляризованих штучних нейронних мереж
DOI:
https://doi.org/10.30837/bi.2020.1(94).03Ключові слова:
ЕКОЛОГІЧНИЙ МОНІТОРИНГ, РОЗПІЗНАВАННЯ ЛАНДШАФТНИХ ЗОБРАЖЕНЬ, ЗГОРТКОВА НЕЙРОННА МЕРЕЖА, МЕТОД ВИКЛЮЧЕННЯАнотація
Розглядається задача розпізнавання та аналізу картографічних зображень ландшафтних об’єктів з метою
локалізації районів забруднення, моніторингу змін контурів окремих ділянок зображень під впливом природних
і антропогенних факторів. Пропонується архітектура глибокої нейронної мережі, що використовує техніку
регуляризації штучних нейронних мереж для запобігання її перенавчання. Наводяться результати побудови,
навчання та застосування згорткової нейронної мережі з процедурою виключення Dropout для завдань екологічного ландшафтного моніторингу. Визначено перспективи використання запропонованого підходу для
розпізнавання зображень проблемних ландшафтних ділянок
Посилання
Зацерковний В. І. Геоінформаційні системи і бази даних: монографія. – Кн. 2 / В. І. Зацерковний, В. Г. Бурачек, О. О. Железняк, А. О. Терещенко. – Ніжин : НДУ ім. М. Гоголя, 2017. – 237 с.
Луньова О.В. Методологічні засади застосування ортотрансформованих космічних знімків для оцінки стану навколишнього середовища та програмне забезпечення досліджень / О.В. Луньова, О.В. Буглак // Український журнал дистанційного зондування Землі – 2019. № 22. – С. 27–34.
Бондар О.І. та ін. Моніторинг стану навколишнього середовища засобами ГІС / О.І. Бондар та ін. // К. : ДЕА (Державна екологічна академія), 2018. – 52 с.
Hnatushenko V.V. Satellite Monitoring of Consequences of Illegal Extraction of Amber in Ukraine / V.V. Hnatushenko, D.K. Mozgovyi, V.V. Vasyliev, O.O. Kavats // Scientific bulletin of National Mining University. State Higher Educational Institution «National Mining University ». Dnipropetrovsk. – 2017. No 2 (158). – P. 99–105.
Schmidhuber J. Deep learning in neural networks: An overview / J. Schmidhuber / /Neural networks. – 2015. – V. 61. – P. 85–117.
Bezsonov O. Processing of noisy digital images with use of evolving autoencoders / O. Bezsonov, O. Rudenko, S. Udovenko, O. Dudinova // Eastern-European Journal of Enterprise Technologies. – 6/9(90). – 2017. – P. 63–69.
McCann M. Convolutional neural networks for inverse problems in imaging / M. McCann, K. Jin., M Unser // A review //IEEE Signal Processing Magazine. – 2017. – V. 34. – № 6. – P. 85–95.
Sikorskiy O. Сonvolutional neural networks in image classification / O. Sikorskiy // Information Innovative Technologies – 2017. – №1.– P. 397–401.
Gatys L. Image style transfer using convolutional neural networks / L. Gatys., A. Ecker, M. Bethge // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2016. – P. 2414–2423.
Srivastava N. Dropout: A Simple Way to Prevent Neural Networks from Overfitting / N. Srivastava , G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov // Journal of Machine Learning Research. – 15(56).– 2014 – Р. 1929–1958.
Miikkulainen R. et al. Evolving deep neural networks //Artificial Intelligence in the Age of Neural Networks and Brain Computing. – Academic Press, 2019. – Р. 293–312.
Білашенко С.В. Розпізнавання зображень за допомогою згорткових нейронних мереж з використанням бібліотеки Keras / С.В. Білашенко, Н. Н. Шаповалова, О.Г. Рибальченко // Гірничий вісник. – 2018. – Вип. 103. – С. 148–154.
