Визначення ефективності використання методів глибокого навчання для виявлення полів технічних культур за допомогою аналізу супутникових зображень

Abstract

UA: У статті описано дослідження методів комп'ютерного зору, які використовують для розпізнавання супутникових зображень. У дослідженні зазначено, що згорткові нейронні мережі (CNN), UNet і Mask R-CNN є найефективнішими моделями для сегментації супутникових зображень. Ці моделі допомагають виділити поля сільськогосподарських культур із необроблених супутникових зображень. Інший метод, згаданий у статті, передбачає класифікацію з використанням RGB-зображень чи зображень із різних спектральних діапазонів, засновану на трансферному навчанні з інших доменів, таких як ImageNet.

EN: The article describes the analysis and research of computer vision techniques used for satellite imagery recognition. The research highlights that convolutional neural networks (CNNs), UNet, and Mask R-CNNs are the most effective models for pixel-wise segmentation of satellite images. These models help extract the areas corresponding to crop fields from raw satellite pictures. Another method described involves classification using RGB images or different spectral bands, relying on transfer learning from other image domains like ImageNet. This approach, however, is less effective due to limited historical data and the complexity of accurately classifying small field areas. The initial hypothesis was that crop fields can be differentiated by the pixel values of spectral images and the normalized difference vegetation index (NDVI), which reflects vegetation health. The most successful results in classifying the fields came from gradient boosting algorithms, achieving an F1 score of 0.75, with high recall but lower precision.