Том 4 № 153 (СТ ІПБТ)

Permanent URI for this collection

https://crust.ust.edu.ua/handle/123456789/18692
Volume 4 No. 153 (ST IIBT)

Browse

Browsing Том 4 № 153 (СТ ІПБТ) by Author "Гнатушенко, Вікторія Володимирівна"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Класифікація екооб’єктів на супутникових зображеннях за допомогою PyTorch
    (Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2024) Міщенко, Максим Станіславович; Гнатушенко, Вікторія Володимирівна; Сінгер, Анастасія-Джей Володимирівна
    UKR: У статті наведена практична реалізація алгоритму класифікації екооб’єктів на супутникових зображеннях з використанням бібліотеки глибинного навчання PyTorch. Метою дослідження є підвищення якості класифікації об’єктів на цифрових зображеннях завдяки розробці та використанню моделі нейронної мережі. Запропонований підхід дозволяє класифікувати воду, піски, хмари та зелену місцевість на супутникових знімках, полегшуючи аналіз великих обсягів даних та отримано середню точність 95%. Його було протестовано на супутникових знімках Sentinel-2, отриманих з березня по серпень 2023 року для деяких частин Херсонської та Миколаївської областей, Україна. Для навчання моделі використовується попередньо натренована архітектура ResNet. Представлене дослідження демонструє практичне використання сучасних методів глибинного навчання, зокрема бібліотеки PyTorch, для вирішення актуальних завдань аналізу та класифікації об’єктів на супутникових знімках.
  • Thumbnail Image
    Item
    Нейромережевий підхід сегментації сільськогосподарських угідь на супутникових зображеннях
    (Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2024) Гончаров, Олександр Геннадійович; Гнатушенко, Вікторія Володимирівна; Шевцова, Ольга Сергіївна
    UKR: В сучасному аграрному секторі важливу роль відіграє точне картографування та моніторинг агроугідь за допомогою супутникових знімків, що дозволяє оптимізувати використання ресурсів, планувати посівні площі та прогнозувати врожайність. Семантична сегментація геоданих за допомогою глибокого навчання відкриває нові можливості для автоматизації цих процесів, проте потребує ретельного вибору та оптимізації моделей, здатних ефективно працювати з високорозмірними геопросторовими даними. Дана робота присвячена аналізу та порівнянню трьох різних модифікацій архітектури U-Net для задачі семантичної сегментації агроугідь на основі супутникових зображень. Було досліджено моделі з різними архітектурними особливостями, включаючи застосування остаточних блоків, методів нормалізації та регуляризації. Результати показали, що деякі модифікації архітектури U-Net можуть значно підвищити точність сегментації, що відкриває шлях для подальших досліджень у напрямку вдосконалення алгоритмів обробки супутникових даних для потреб аграрного сектору.