Введение 3
Постановка задачи 4
Обзор литературы 5
Глава 1. Сбор и предобработка тренировочной выборки 6
1.1. Начальный набор данных 6
1.2. Предобработка набора данных 8
1.3. Влияние различных подмножеств частот на обучение модели 10
Глава 2. Обзор архитектур использованных моделей 12
2.1. UNet 12
2.2. UNet3+ 14
2.3. Архитектуры ViT 14
2.3.1 SwinUNet 15
2.3.2 TransUNet 17
Глава 3. Детали реализации 19
3.1. Оценка качества сегментации 19
3.2. Аугментация данных во время обучения 20
3.2.1 Пространственные аугментации 20
3.2.2 Сглаживание целевых значений 20
3.2.3 Стохастическая глубина 21
3.3. Анализ экспериментов 23
3.4. Индекс вегетации 24
3.5. Итоговая программа 26
Заключение 28
Список литературы 29
Приложение 1A. Подробные метрики моделей SwinUNet и TransUNet 31
Приложение 1Б. Подробные метрики модели UNet3+ 32
Точная классификация культур представляет собой сложную задачу, связанную, во-первых, с высокой внутриклассовой спектральной изменчивостью отдельных культур в течение вегетационного периода (фенологическое развитие), во-вторых, с высоким межклассовым спектральным сходством типов культур, и, в-третьих, в неизбежном наличии облаков на изображениях.
При использовании спутниковых снимков, снятых с помощью оптического прибора, в этой работе проводится исследование попиксельной классификации (сегментации) сельскохозяйственных культур, растущих на участках ферм. В частности, в исследовании рассматриваются результаты классификации культур за счет использования разных сочетаний диапазонов длинн волн.
Наработки из данного исследования пригодятся в реализации системы, задача которой - сегментировать поля, определять тип растущей на них культуры и подсчитывать степень вегетации. Клиенты такой системы смогут удалённо отслеживать состояние своих участков и принимать решения на основе этой информации.
В результате работы был собран и предобработан набор оптических спутниковых снимков. Было получены результаты об обучении простой модели на нескольких наборах частот (в том числе и полном). Рассмотрено несколько архитектур моделей для сегментации, проведено их обучение на собранной выборке. К тому же было проведено сравнение двух индексов вегетации, из которых выбран наиболее подходящий. Метод сегментации и вычисление индекса вегетации были обёрнуты в программу, на вход которой подаётся оптический спутниковый снимок.
