Теория и практика распознавания инженерных сооружений, промышленных предприятий и объектов железнодорожного транспорта при дешифрировании аэроснимков. А. С. Молчанов
изображения объектов, и для распознавания не нужна БД эталонных векторов признаков – знание о классах находится непосредственно в параметрах обученной нейронных сетей. Кроме этого, нейронные сети достаточно устойчивы к зашумлению обрабатываемых изображений. Для обучения нейронных сетей требуется значительный набор изображений объектов каждого класса.
Одной из основных задач применения классификаторов, основанных на нейросетевых методах, является создание обучающего набора данных достаточного объема, который может составлять десятки тысяч объектов, разбитых на классы.
Классификатор в части накопления и систематизации данных должен обеспечивать:
– формирование обучающего набора данных для классификации по условиям съемки, типам и количества выбранных классов объектов;
– обобщение и анализ обработанной информации сведением базы данных типовых объектов;
– хранение в БД цифровой картографической и опорной геопространственной информации на зону ответственности, радиолокационных и оптико-электронных изображений, формализованных и неформализованных донесений.
Должна обеспечиваться возможность выполнения поиска объектов в БД по различным критериям и возможность обучения пользователей путем формирования учебной обстановки и сохранения результатов контрольно-тестовых полетов. Программные комплексы должны иметь тренажный режим, который поддерживают все функции, применяемые в штатном режиме работы.
Как показывают эксперименты, и занятия по полевому дешифрированию, а также упражнения со специальными макетами, заменяющими реальные объекты, вполне обеспечивают переход от восприятия необычных изображений к объектам в натуре и резко повышают эффективность камерального дешифрирования. Так, в одном из экспериментов специально организованное кратковременное полевое обучение повысило результаты последующего камерального дешифрирования топографических объектов у обучаемых не менее чем на 20 % по сравнению с контрольной группой, не имеющей полевой практики. В качестве специальной задачи по развитию способностей структурного анализа можно производить дешифрирование аэроснимков, на которых постепенно закрывать 30, 50 или 70 % простых объектов, оставляя косвенные и комплексные признаки, способствующие распознаванию сложного объекта, выявлению его состояния и характера деятельности. В заключение определенного курса тренировок целесообразно проводить соревнования между специалистами по решению зачетных задач.
Рациональное использование различных эталонных снимков в процессе обучения требует большого мастерства от преподавателя. Так, например, для формирования гибких «дешифровочных» образов весьма важна вариация снимков на один и тот же объект.
В этих же целях полезно проведение упражнений на мысленное «восстановление» различных проекций объектов на основе планового изображения. Для формирования «чувства масштаба», «масштабных» эталонных образов