Пры апрацоўцы малюнкаў дыстанцыйнага зандзіравання Зямлі (ДЗЗ) патрабуецца па некаторых прыкметах вылучаць (ідэнтыфікаваць) некаторыя аднастайныя вобласці малюнка, прычым, як правіла, гэта падабенства недакладнае і часта парушаецца, г.зн. у агульным выпадку маюць месца ідэнтыфікацыя і наступнае распазнаванне ва ўмовах няпоўнай і невыразнай інфармацыі.
Павышэнне дакладнасці ідэнтыфікацыі і наступнага аналізу аб’ектаў можа быць забяспечана за кошт асаблівасцяў аналізаваных аб’ектаў у структуры нейроннай сеткі, г.зн. распрацоўкі гібрыдных (камбінаваных) нейрасеткавых архітэктур або пабудовы ансамбляў нейронных сетак. Гібрыдная тэхналогія прадугледжвае спалучэнне традыцыйных, нейрасеткавых і іншых інтэлектуальных метадаў апрацоўкі, якія дазваляюць ствараць эфектыўныя сістэмы прыняцця рашэнняў пры апрацоўцы цяжкаструктураваных даных, калі выкарыстанне толькі аднаго метаду не дазваляе ўлічыць усе характэрныя асаблівасці аб’екта.
Мэта работы заключаецца ў даследаванні магчымасці выкарыстання апарата ансамбляў штучных нейронных сетак з ужываннем вырашальных правілаў па прэцэдэнтах для ідэнтыфікацыі аб’ектаў на малюнках паверхні зямлі для павышэння дакладнасці ідэнтыфікацыі.
Так як асноўная гіпотэза ідэнтыфікацыі заснавана на розніцы адбівальнай здольнасці аб’ектаў зямной паверхні, то неабходна сабраць як мага больш даных аб аб’ектах. Да прыкладу, калі ў якасці аб’екта разглядаецца некаторая вобласць сельскагаспадарчай расліннасці, выявы ДЗЗ павінны адлюстроўваць развіццё расліннасці на розных этапах: пасеў, актыўная вегетацыя, розныя даты збору ўраджаю для розных культур.
Распрацоўка мадэлі
Распрацаваная мадэль камбінуе нейрасеткавы падыход і распазнаванне па прэцэдэнтах. Апрацаванымі данымі з’яўляюцца дэскрыптары складанаструктураваных аб’ектаў на малюнках ДЗЗ, якія ўяўляюць сабой масіў з 304 лікаў з плаваючай коскай, якія з’яўляюцца сціснутым прадстаўленнем участка каляровага відарыса памерам 128×128 піксэлаў. Вылічэнне дэскрыптараў заснавана на выкарыстанні іерархічнага нейрасеткавага аўтаэнкодэра. Адметнымі асаблівасцямі дэскрыптараў з’яўляецца выкарыстанне для навучання аўтаэнкодэра мультымадальных шматзанальных малюнкаў. Пры гэтым кожны з атрыманых дэскрыптараў уяўляе сабой прэцэдэнт, наборы якіх могуць быць выкарыстаны для навучання мадэлі ідэнтыфікацыі.
Прапанаваная для ідэнтыфікацыі нейронная сетка ўяўляе сабой паўнасувязную шматслаёвую сетку, якая прымае на ўваход адабраны набор прыкмет, атрыманых з зыходнага дэскрыптара. На выхад выдаецца вектар ступеняў адпаведнасці ўваходнага дэскрыптара мэтавым класам. Алгарытм навучання: Adam [3] c параметрамі lr = 0,0001, beta_1 = 0,9, beta_2 = 0,999, epsilon = 1P-8P, decay = 0,0 [4]. Функцыя страт (loss) – categorical_crossentropy.
Адпаведная крывая значэнняў дакладнасці пры навучанні прадстаўлена на малюнку.
Тэсціраванне і ацэнка мадэлі
Тэсціраванне праграмнай рэалізацыі ажыццяўлялася на выбарцы малюнкаў чатырох класаў: “Лясны масіў” (С1), “Сельскагаспадарчыя ўгоддзі” (С2), “Гарадская забудова” (С3), “пустыня” (С4), “вадаём” (С5), “Абрашаныя ўчасткі ў пустыне” (С6). Пры гэтым ацэньвалася дакладнасць як для кожнага класа паасобку, так і для ўсіх класаў у цэлым. Атрыманыя вынікі прыведзены ў табл. 1.
З-за незбалансаванасці класаў у зыходных даных патрабуецца дадатковая ацэнка. Атрыманыя ў выніку гэтай ацэнкі даныя зведзены ў матрыцу недакладнасцяў (confusion matrix) (табл. 2). Значэнні ў матрыцы – гэта стаўленне колькасці кропак, якія належаць класу, да агульнай колькасці кропак усіх класаў у выбарцы.
Для ацэнкі якасці працы ПЗ былі вылічаны адпаведныя значэнні дакладнасці (Precision), паўнаты (Recall) і F1-меры (табл. 3).
На дадзенай выбарцы выяў некаторая колькасць памылак ідэнтыфікацыі ўзнікла ў сувязі з некарэктным аднясеннем малюнкаў класа “Сельскагаспадарчыя ўгоддзі” (С2) да класаў “Пустыня” (С4) і “Абрашаныя ўчасткі ў пустыні” (С6), а таксама малюнкаў класа “Лясны масіў” (С1) да класа “Абрашаныя ўчасткі ў пустыні” (С6).
Распрацаваную мадэль адрознівае выкарыстанне папярэдняга аналізу прэцэдэнтаў, якія фарміруюць навучальную выбарку, што дазваляе аптымізаваць памер уваходных даных.
