Алгоритм семантической сегментации изображений для решения задачи позиционирования летательного аппарата на земной поверхности

DOI: 10.34759/trd-2023-130-18

Авторы

Олькина Д. С.

Московский физико-технический институт (национальный исследовательский университет), МФТИ, Институтский пер., 9, Долгопрудный, Московская облаcть, 141701, Россия

e-mail: olkina.ds@phystech.edu

Аннотация

В данной работе рассматриваются методы определения подхода к разработке алгоритма сегментации, а также выбор отличительных признаков для решения задачи сегментации изображений земной поверхности для определения координат беспилотного летательного аппарата (БЛА) с целью его позиционирования на земной поверхности. Теоретической значимостью исследования является численное исследование постановок задач сегментации изображений стохастическими методами. Практической значимостью является получение результатов экспериментов по сегментации изображений видимого и радио-диапазонов, разработка инструментов обучения и программного комплекса, решающего задачи сегментации многоканальных изображений.

Ключевые слова:

компьютерное зрение, сверточная нейронная сеть, сегментация, архитектура Bisenet, режим реального времени, аналог инерциальной навигации

Библиографический список

1. Демидова Л.А., Нестеров Н.И., Тишкин Р.В. Возможностно-нечеткая сегментация изображений земной поверхности с применением генетических алгоритмов и искусственных нейронных сетей // Информатика. Телекоммуникации. Управление. 2014. № 3 (198). С. 37-47.
2. Шелег С.В. Семантическая сегментация аэрофотоснимков сельскохозяйственной растительности на базе сверточных нейронных сетей: автореф. дисс. ... магистра технических наук. — Минск: БГУИР, 2021. — 9 с.
3. Алан Тьюринг. Вычислительные машины и разум / пер. с англ. — М.: Изд-во АСТ, 2018. — 128 с.
4. Клиффорд Пиковер. Искусственный интеллект. Иллюстрированная история. От автоматов до нейросетей / пер. с англ. — М.: Изд-во Синдбад, 2021. — 224 с.
5. Демидова Л.А., Кираковский В.В. Кластеризация объектов на основе нечетких множеств второго типа и генетического алгоритма // Труды научно-практической конференции «Управление созданием и развитием систем, сетей и устройств телекоммуникаций (Санкт-Петербург, 2008). — СПб.: НОЦ «Перспектива»,
6. Rhee F. C.-H. Uncertain fuzzy clustering: insights and recommendations // IEEE Computational intellegence magazine, 2007, vol. 2, no. 1, pp. 44-56. DOI:1109/MCI.2007.357193
7. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. — СПБ.: Издательский дом «Питер», 2018. — 482 с.
8. Changqian Yu, Changxin Gao, Jingbo Wang, Gang Yu, Chunhua Shen, Nong Sang. BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation // International Journal of Computer Vision, 2020, vol. 129 (11), pp. 1-18. DOI:1007/s11263-021-01515-2
9. Yingxiao Xu, Long Pan, Chun Du, Jun Li, Ning Jing, and Jiangjiang Wu. Vision-based UAVs Aerial Image Localization: A Survey. 2018. DOI: 1145/3281548.3281556
10. Ефимов А.И., Новиков А.И. Алгоритм поэтапного уточнения проективного преобразования для совмещения изображений // Компьютерная оптика. 2016. Т. 40. № 2. С. 258–265.
11. Ермaков П.Г., Гоголев А.А. Сравнительный анализ схем комплексирования информации бесплатформенных инерциальных навигационных систем беспилотных летательных аппаратов // Труды МАИ. 2021. № 117. URL: https://trudymai.ru/published.php?ID=156253. DOI: 10.34759/trd-2021-117-11
12. Ивашова Н.Д., Михайлин Д.А., Чернякова М.Е., Шаныгин С.В. Нейросетевое решение задачи оперативного планирования маршрутного полета беспилотных летательных аппаратов и назначение времени наблюдения наземных объектов с помощью нечеткой логики при отображении этих результатов на экране компьютера до вылета // Труды МАИ. 2019. № 104. URL: https://trudymai.ru/published.php?ID=102223
13. Соколов Д.Ю. Сравнительный анализ метода применения искусственной нейронной сети в целях решения задачи инженерно-штурманского расчета полета летательного аппарата // Вооружение и экономика. 2012. № 1 (17). С. 50-57.
14. Соколов Д.Ю. Применение искусственной нейронной сети для решения задач прогнозирования движения наземных объектов // Труды МАИ. 2022. № 123. URL https://trudymai.ru/published.php?ID=165563. DOI: 10.34759/trd-2022-123-17
15. Гусейнов Г.А., Зульфугарлы П.Р., Абдуррахманова И.Г. О точности прямого геореференцирования беспилотного летательного аппарата в зонах с различными климатическими условиями // Труды МАИ. 2022. № 126. URL: https://trudymai.ru/published.php?ID=169012. DOI: 10.34759/trd-2022-126-26
16. Чигринец Е.Г., Верченко А.В. CAD/CAM/САЕ системы, OMW-технологии и нейросетевые алгоритмы анализа данных на предприятиях авиастроительной отрасли // Труды МАИ. 2019. № 104. URL: https://trudymai.ru/published.php?ID=102420
17. Шейников А.А., Коваленко А.М., Санько А.А. Точность определения координат беспилотного летательного аппарата с навигационным комплексом, включающим оптико-электронную систему позиционирования // Научный вестник МГТУ ГА. 2023. Т. 26. № 1. С. 81-94. URL: https://doi.org/10.26467/2079-0619-202-26-1-81-94
18. Степанов Д.Н., Тищенко И.П. Задача моделирования полета беспилотного летательного аппарата на основе системы технического зрения // Программные системы: теория и приложения. 2011. № 4. С. 33-43.
19. Степанов Д.Н., Тищенко И.П. Программная система для моделирования полета БПЛА и его автономного позиционирования с использованием методов и алгоритмов технического зрения // XIV национальная конференция по искусственному интеллекту с международным участием, КИИ-2014 (Казань, 24-27 октября 2014). — Казань: Изд-во РИЦ «Школа», 2014. Т. 3. С. 333-341.
20. Конушин А. Геометрические свойства нескольких изображений // Компьютерная графика и мультимедиа. № 4 (3). URL: http://archive.ec/hwXHz

Скачать статью