Распознавание образов на аэрокосмических снимках методами глубокого обучения

Abstract

Предложен ряд методов сегментации аэрокосмических изображений на базе различных архитектур сверточных нейронных сетей. Во время построения сетей учитывался дисбаланс классов на аэрокосмических снимках и малое число размеченных данных. Для расширения тренировочного датасета мы предлагаем метод на основе стретегии остаточного обучения для приведения изображений к единому разрешению и сэмплирование их методом аугментации по сдвигу. В ходе обучения сетей оптимизация проводилась по следующим параметрам: количество карт признаков, размер ядра свертки и тип пула. Для предотвращения переобучения мы использовали регуляризацию нейронной сети, дополняя ее слоем dropout с подобранными вероятностями. В связи с высоким дисбалансом классов использовалась категориальная кросс-энтропия с коэффициентом модуляции. В заключение оценка точности сегментации выполнялась индексом Джаккарта