CC BY
2
УДК 004.932.2
АНАЛИЗ СПУТНИКОВЫХ СНИМКОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
С ГЛУБИННЫМ ОБУЧЕНИЕМ
С. Б. Сергиенко, Е. В. Филюшина
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газеты «Красноярский рабочий», 31
E-mail: stepan96stepan@mail.ru
Вовремя выявлять катаклизмы - это очень важная задача. Для этого используют снимки со спутников. Для наиболее точного анализа этих снимков их следует обрабатывать с помощью нейронных сетей.
Ключевые слова: нейронные сети, глубинные остаточные сети, выявление катаклизмов, Microsoft.
ANALYSIS OF SATELLITE PICTURES USING NEURAL NETWORKS
WITH DEEP LEARNING
S. B. Sergienko, E. V. Filushina
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation E-mail: stepan96stepan@mail.ru
In time to detect cataclysms is a very important task. To do this, use images from satellites. For the most accurate analysis of these images, they should be processed with the aid of neural networks.
Keywords: Neural networks, deep residual networks, detection of cataclysms, Microsoft.
Предупреждение чрезвычайных ситуаций и оказание своевременных процедур по устранению их - необычайно важная задача. Чрезвычайные ситуации могут быть различных масштабов и могут быть вызваны различными причинами. Природные катаклизмы, такие как пожары, ураганы или торнадо - наиболее глобальные события, способные нанести колоссальный ущерб и повлечь за собой много жертв. Каждый год от разнообразных пожаров, ураганов и прочих стихийных бедствий страдают тысячи людей. Многие из них лишаются крова, своих родных и близких людей и даже собственных жизней. Разрушительная сила всех этих невзгод зачастую кроется в их внезапности. Люди просто не успевают вовремя среагировать и предпринять необходимые действия для того чтобы спасти своё имущество, жизни и здоровье. Но если жителей населённых пунктов заранее предупредить об опасности, то количество жертв и пагубных последствий можно сократить либо избежать их вообще. Но бывает так, что замечают смертельную опасность в самый последний момент, так как очаг бедствия возник вдалеке от глаза человека. Поэтому раннее выявление чрезвычайных ситуаций является необычайно актуальной задачей. Для выявления происшествий применяют различные методики. Но наиболее эффективной методикой считается снятие изображений поверхности земного шара со спутника, так как с орбиты Земли можно увидеть очаг бедствия раньше, чем это можно сделать с её поверхности. Снимок используется для получения информации о катаклизмах. Но проблема в том, что сам
Секция «Программные средства и информационные технологии»
по себе снимок не более чем просто изображение. И если пытаться получить нужную информацию, разглядывая это изображение, то с большой долей вероятности можно многое упустить из виду. Более того, это займёт большой объём времени, что недопустимо в решаемой нами задаче. Поэтому снимок необходимо обрабатывать с помощью программных средств. Существует множество алгоритмов обработки фотоизображений для их анализа. Но самым прогрессивным методом на данный момент является применение нейронных сетей с использованием глубинного обучения.
Человек издавна создавал и реализовывал различные алгоритмы для решения прикладных задач. С появлением ЭВМ у человека появилась возможность реализовывать алгоритмы для выполнения очень сложных задач. Со временем человек начал пытаться создать алгоритм, который был бы схож по принципу действия с функционированием человеческого мозга. Так зародилось такое научное направление как искусственные нейронные сети. Изучение искусственных нейронных сетей берёт начало ещё с середины прошлого века. Искусственная нейронная сеть представляет собой аналог естественной нейронной сети. Это набор процессоров (нейронов), которые получают на вход определённое количество сигналов и обрабатывая их с помощью неких математических алгоритмов, выдают конечный сигнал (результат). В сфере распознавания образов на изображениях нейронные сети применяются очень широко. Наиболее прогрессивным направлением в сфере нейронных сетей является "глубинное обучение". Применение данного инструмента для распознавания образов на изображениях является очень популярным в настоящее время и даёт оправданные результаты.
Глубинное обучение основано на использовании некоторого количества слоёв нелинейных фильтров (преобразований). Строиться система, состоящая из данных слоёв, в которой каждый из них представляет собой набор математических операций. Получая входные данные, сеть прогоняет их через все слои, выявляя необходимые признаки. Эти признаки запоминаются для их дальнейшего применения для аналогичных входных данных. Чем больше слоёв, тем сеть глубже, тем легче сеть обучается [2].
На данный момент компании Microsoft предоставила новую модель нейронных сетей с использованием глубинного обучения - "глубинные остаточные сети". Данная технология берёт за основу принцип действия рекуррентных нейронных сетей. Это значит что элементы сети (нейроны) получают сигналы на вход не только от предыдущего слоя, но и от самих себя на предыдущем проходе. При таком подходе очень важен порядок подачи входной информации в нейронную сеть для обеспечения её грамотного функционирования (обучения, в частности). Технология глубинных остаточных сетей так же наследует особенности "сетей с долгой краткосрочной памятью", поэтому каждый нейрон имеет три фильтра - входной, выходной и забывающий. Входной фильтр отвечает за то, сколько информации, поступившей в нейрон, будет храниться в нём. Выходной фильтр отвечает за то, сколько информации перейдёт к следующему нейрону. Забывающий фильтр служит для освобождения памяти нейрона от некоторого количества информации. Наличие этих фильтров позволяет решить проблему "исчезающего градиента", заключающуюся в довольно быстрой потере информации, полученной в процессе обучения с течением времени. Если до недавнего времени глубинные нейронные сети состояли из 5-7 уровней, то отличительной особенностью глубинных остаточных сетей является их масштабность. Компании Microsoft удалось создать сеть, состоящую из 152 уровней. Такая сеть может производить анализ снимков со спутников на совершенно новом уровне [1].
Задача распознавания чрезвычайных ситуаций с использованием спутниковых снимков земной поверхности в общих чертах заключается в разбиении снимка на участки и выявления на каждом из них условий, соответствующих наличию катаклизма на обрабатываемом участке. Для разных катаклизмов должны проходить проверку разные признаки. Например, для выявления очагов пожаров признаками для проверки являются
наличие шлейфа от дыма, изменение яркости на снимке и другие признаки. При выявлении очагов пожаров также проводят их классификацию, оценивают поражённую площадь, ущерб, нанесённый пожаром, вычисляется направление движения пожара и распространение отходов горения [3].
При решении данной задачи с использованием глубинных остаточных сетей для каждого участка снимка сеть проверяет наличие признаков. Каждый признак представляется в сети в виде вектора. Начиная с первого уровня сети до последнего, признаки усложняются, наращивая уровень абстрактности. Проверка наличия признаков проходит как на основе заложенных условий их наличия, так и на основе данных полученных в ходе обучения при анализе предыдущих снимков. Так как количество уровней в данной сети очень высоко, на последних уровнях мы получаем признаки очень высокого уровня абстракции, и как следствие - очень точный уровень анализа, что немаловажно при решении данной задачи.
Чем больше уровней включает в себя нейронная сеть, тем более эффективно она функционирует и тем большее количество аппаратных ресурсов необходимо для этого. Описанная разработка Microsoft очень требовательна к аппаратным ресурсам. Так же чем больше слоёв используется в многоуровневой нейронной сети, тем сложнее эти уровни связать между собой. Описанная сеть ресурсоёмка ввиду её масштабности, а её разработка была крайне сложна. Добавление очередного слоя представляется очень трудной задачей, а для того чтобы создать нейронную сеть нового поколения, в которой будут в десятки или в сотни больше нейронов, чем в представленной разработке, потребуется создание кардинально новых алгоритмов. При этом необходимо учитывать ограничение в аппаратных ресурсов. В теории, возможно создать огромную нейронную сеть, способную решать любые задачи по нахождению решений, но для этого необходимы энергетические и аппаратные ресурсы, недоступные на данный момент человечеству. Так-же необходимо помнить что время, отведённое на функционирование нейронной сети для решения поставленной задачи не должно превышать время, за которое полученное решение станет неактуальным. Подобного рода проблему можно наблюдать в сфере прогнозирования погоды. Существуют системы, способные предсказывать погодные условия на определённой местности с очень высокой точностью на определённый временной промежуток. Но к тому времени как эта система выдаст результат, этот временной промежуток проходит и полученный прогноз становится неактуальным. Проблемы ресурсоёмкое™ и актуальности полученного результата являются одними из самых значимых при реализации подобных систем. Однако применение нейронных сетей для решения различных задач, таких как выявление катаклизмов со спутниковых снимков и других, оправданно своей эффективностью. Имеющиеся у человека аппаратные средства позволяют решать задачу выявления чрезвычайных ситуаций, избегая вышеописанных проблем и с высоким уровнем эффективности. Поэтому ведение исследований в области нейронных сетей является очень перспективным и актуальным.
Библиографические ссылки
1. Распознавание образов и новое поколение нейронных сетей Microsoft [Электронный ресурс]. URL: https://news.microsoft.com.
2. Разнообразие нейронных сетей. Часть вторая. Продвинутые конфигурации [Электронный ресурс]. URL: https://tproger.ru/translations/neural-network-zoo-2/.
3. Обнаружение пожаров по тепловым снимкам [Электронный ресурс]. URL: http://www.geogr.msu.rU/cafedra/karta/materials/heat_img/files/2/pozhary.htm.
© Сергиенко С. Б., Филюшина Е. В., 2020
