О вероятностном информировании глубоких нейронных сетей моделью многомасштабного квадродерева для повышения качества сегментации малоразмерных объектов на аэрокосмических снимках Земной поверхности

Решение задачи обнаружения на аэрокосмических снимках Земной поверхности малоразмерных методами глубокого обучения сопряжено с разработкой эффективных методов анализа многомасштабных характеристик изображений. Архитектура нейросетевого квадродерева, ранее предложенная авторами в статье [1], состоящая из базового сверточного кодировщика признаков и графово-сверточной сети, устанавливающей взаимосвязи между отдельными элементами изображения в разных пространственных разрешениях, продемонстрировала эффективность при сегментировании малоразмерных объектов, таких как поселения или корабли. В докладе представлено обобщение данного подхода, в том числе для возможности обработки изображений высокого разрешения. Для повышения эффективности обработки пространственной информации в суперпиксельном [2] представлении изображения в докладе предложена модификация стандартного слоя графовой свертки с вниманием [3]. Кроме того, для улучшения качества сегментирования объектов размера, близкого к размеру суперпикселя, архитектура была дополнена специальным блоком учета взаимосвязей между элементами суперпикселей. Тестирование предложенного подхода было проведено на открытых наборах изображений, включающих в себя радиолокационные изображения кораблей (наборы HRSID и SSDD) и данные съемок беспилотных летательных аппаратов (наборы UAVid и UDD). Предлагаемая вероятностно-информированная графово-сверточная архитектура позволила повысить качество распознавания малых объектов для всех тестовых наборов данных, прежде всего в ситуациях, когда размеры исследуемых объектов близки к величине суперпикселей. В сравнении с базовыми сверточными кодировщиками, в качестве которых использовались сети DeepLabv3, U-Net, PsPNet, средний прирост метрики F1 у предложенной архитектуры по всем рассмотренным наборам данных достигает 18.82 %.

Исследование проводилось c использованием инфраструктуры Центра коллективного пользования <<Высокопроизводительные вычисления и большие данные>> (ЦКП <<Информатика>>) ФИЦ ИУ РАН (г. Москва)..
Литература
[1] Достовалова А.М. Нейросетевое квадродерево и его применение для сегментирования спутниковых изображений // Информатика и ее применения. 2024. Т. 18, № 4, с. 77--85.
[2] Liu X., Li Y., Liu X., Zou H. Dark Spot Detection from SAR Images Based on Superpixel Deeper Graph Convolutional Network // Remote Sensing. 2022. Vol. 14, Iss. 21, Art. 5618.
[3]
Vrahatis A.G., Lazaros K., Kotsiantis S. Graph Attention Networks: A Comprehensive Review of Methods and Applications // Future Internet. 2024; Vol. 16, Iss. 9. Art. 318.