Мониторинг изменений местности по разновременным аэрокосмическим изображениям с применением технологий глубокого обучения нейронных сетей

Аэрофототопография
УДК: 
528.7
DOI: 
10.22389/0016-7126-2025-1019-5-39-46
1 Иванов В.Г.
2 Кузина Е.И.
3 Гоманов Д.Е.
4 Гришин П.С.
5 Чеглов А.В.
6 Кузин П.И.
Год: 
2025
№: 
5
1019
Страницы: 
39-46

Военная академия связи им. Маршала Советского Союза С. М. Будённого

1, 
2, 

Военно-топографическое управление Генерального штаба Вооруженных Сил Российской Федерации

3, 

"18 Центральный научно-исследовательский институт" Министерства обороны Российской Федерации

4, 
5, 

Санкт-Петербургский государственный лесотехнический университет им. С. М. Кирова

6, 
Аннотация:
Один из элементов процесса актуализации цифровых карт – формирование и обновление объектов путем выявления изменений местности по разновременным высокодетальным аэрокосмическим изображениям. В настоящее время основным способом выявления таких изменений по-прежнему остается прямой визуальный анализ, реализуемый оператором-дешифровщиком наземного комплекса обработки видовой информации. Применение прогрессивных технологий выявления изменений позволит обеспечить повышение оперативности подготовки цифровых карт, в том числе по разнородным данным дистанционного зондирования (радарная съемка, лазерное сканирование). Методы, основанные на технологиях искусственного интеллекта, в частности методы глубокого обучения нейронных сетей, показывают значительную устойчивость, что обусловлено формированием в процессе обучения нейронных сетей наиболее информативных признаков значимых изменений. Предложенная нейронная сеть и алгоритм реверсивной обработки входных изображений обеспечат низкую вероятность ошибок первого и второго рода, что дает высокий показатель индекса Жаккара и высокую точность локализации границ

Список литературы: 
1.   Гук А.П., Евстратова Л.Г., Хлебникова Е.П., Алтынцев М.А., Арбузов С.А., Гордиенко А.С., Гук А.А. Автоматизированное дешифрирование аэрокосмических снимков. Выявление изменений состояния территорий и объектов по многозональным космическим снимкам, полученным на разные даты // Геодезия и картография. – 2013. – № 8. – С. 39-47.
2.   Жарова Н.Э., Беленов А.В., Чибуничев А.Г. Автоматическое создание цифровой модели рельефа по материалам «случайной» стереосъёмки группировки космических аппаратов типа «Ресурс-П» // Геодезия и картография. – 2017. – № 10. – С. 50-57 . DOI: 10.22389/0016-7126-2017-928-10-50-57.
3.   Кобзев А. А., Чибуничев А. Г. Исследование возможности совместной фотограмметрической обработки разновременных аэроснимков // Изв. вузов. Геодезия и аэрофотосъемка. – 2021. – № 3. – С. 292–301.
4.   Пермяков Р.В. Фотограмметрическая обработка и применение разновременных стереопар космических снимков // Геодезия и картография. – 2021. – № 8. – С. 36-44. DOI: 10.22389/0016-7126-2021-974-8-36-44.
5.   Chen H., Wu C., Du B., Zhang L. (2019) Deep Siamese Multi-Scale Convolutional Network for Change Detection in Multi-temporal VHR Images // IEEE Transactions on Image Processing. DOI: 10.48550/arXiv.1906.11479.
6.   Daudt R. C., Le Saux B., Boulch A. (2018) Fully Convolutional Siamese Networks for Change Detection. Proceedings of the 25th IEEE International Conference on Image Processing (Athens, Greece, 7–10 October 2018) 36, pp. 4063–4067. DOI: 10.48550/arXiv.1810.08462.
7.   Daudt R. C., Le Saux B., Boulch A., Gousseau Y. (2018) Urban change detection for multispectral earth observation using convolutional neural networks. International Geoscience and Remote Sensing Symposium (Valencia, Spain, 22–27 July 2018) pp. 2115–2118. DOI: 10.1109/IGARSS.2018.8518015.
8.   Ghosh S., Mishra N. S., Ghosh A. (2009) Unsupervised Change Detection of Remotely Sensed Images using Fuzzy Clustering. Seventh International Conference on Advances in Pattern Recognition (Kolkata, India) pp. 385–388. DOI: 10.1109/ICAPR.2009.82.
9.   He K., Zhang X., Ren S., Sun J. (2015) Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (Boston, MA, USA, 7–12 June) pp. 770–778.
10.   Hu B., Lu Z., Li H., Chen Q. (2014) Convolutional Neural Network Architectures for Matching Natural Language Sentences // Advances in Neural Information Processing Systems. 27, DOI: 10.48550/arXiv.1503.03244.
11.   Hussain M., Chen D., Cheng A., Wei H., Stanley D. (2013) Change detection from remotely sensed images: From pixel-based to object-based approaches // ISPRS Journal of Photogrammetry and Remote Sensing. 80, pp. 91–106. DOI: 10.1016/j.isprsjprs.2013.03.006.
12.   Ilsever M., Ünsalan C. (2012) Pixel-Based Change Detection Methods. Springer Briefs in Computer Science Springer, London, pp. 7–21. DOI: 10.1007/978-1-4471-4255-3_2.
13.   Khurman M., Saxena V. (2015) Soft Computing Techniques for Change Detection in remotely sensed images // International Journal of Computational Science. 12, 2, pp. 245–253.
14.   Patra S., Ghosh A., Ghosh S. (2008) Change Detection of Remote Sensing Images with Semi-Supervised Multilayer Perceptron // Fundamenta Informaticae. 84 (3-4), pp. 429–442. DOI: 10.3233/FUN-2008-843-409.
15.   Simonyan K., Zisserman A. (2015) Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv: 1409.1556
16.   Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A. (2014) Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (Columbus, OH, USA, 24–27 June 2014) DOI: 10.1109/CVPR.2015.7298594.
17.   Tan K., Wu F., Du Q., Du P., Chen Y. (2019) A Parallel Gaussian–Bernoulli Restricted Boltzmann Machine for Mining Area Classification with Hyperspectral Imagery // IEEE Journal of Selected Topics in Applied Earth Observations and Remote. 12, 2, pp. 627–636. DOI: 10.1109/JSTARS.2019.2892975.
18.   Volpi M., Tuia D., Bovolo F., Kanevski M., Bruzzone L. (2013) Supervised change detection in VHR images using contextual information and support vector machines // International Journal of Applied Earth Observation and Geoinformation. 20, pp. 77–85. DOI: 10.1016/j.jag.2011.10.013.
19.   Wang X., Tan K., Du Q., Chen Y., Du P. (2019) Caps-Triple GAN: GAN-Assisted Caps Net for Hyperspectral Image Classification // IEEE Transactions on Geoscience and Remote Sensing. 57, 9, pp. 7232–7245. DOI: 10.1109/TGRS.2019.2912468.
20.   Wang M., Tan K., Jia X., Wang X., Chen Y. (2020) A Deep Siamese Network with Hybrid Convolutional Feature Extraction Module for Change Detection Based on Multi-Sensor Remote Sensing Images // Remote Sensing. 12 (2), DOI: 10.3390/rs12020205.
Образец цитирования:
Иванов В.Г., 
Кузина Е.И., 
Гоманов Д.Е., 
Гришин П.С., 
Чеглов А.В., 
Кузин П.И., 
Мониторинг изменений местности по разновременным аэрокосмическим изображениям с применением технологий глубокого обучения нейронных сетей // Геодезия и картография. – 2025. – № 5. – С. 39-46. DOI: 10.22389/0016-7126-2025-1019-5-39-46
СТАТЬЯ
Поступила в редакцию: 14.02.2025
Принята к публикации: 12.05.2025
Опубликована: 20.06.2025

Содержание номера

2025 май DOI:
10.22389/0016-7126-2025-1019-5