За последние несколько лет интеллектуальные системы интерпретации сигналов активно развиваются в различных областях светотехники и дистанционного зондирования. Быстрое развитие платформ многоспектрального дистанционного зондирования открывает беспрецедентные возможности для составления карт землепользования и почвенного покрова.
Глубокое обучение стало наиболее популярным и эффективным подходом для анализа данных дистанционного зондирования в целом, и картирования аквакультурных территорий с использованием данных дистанционного зондирования, в частности.
В работе «Картирование наземных полей аквакультуры по снимкам дистанционного зондирования высокого разрешения» авторов С. Чэнь, Д.С. Ефременко, Ж. Чжан и Л. Мон предлагается новая легковесная нейронная сеть для поиска полей аквакультуры на местности по изображениям дистанционного зондирования высокого разрешения. На основе машинного обучения было разработано несколько моделей семантической сегментации.
Структура предложенной сети сегментации прудов основана на архитектуре UNet, что обеспечивает более высокую скорость обучения по сравнению с существующими аналогами. В работе предлагается многослойную архитектуру глубокого обучения для сегментации аквакультурных территорий на мультиспектральных изображениях дистанционного зондирования.
Предложенная легковесная нейронная сеть, названную PondsNet, для сегментации прудов аквакультуры на изображениях дистанционного зондирования с высоким пространственным разрешением. Она способна достичь точности классификации по пикселям около 91 % и требует меньше времени на обучение, чем модели UNet.
Сеть PondsNet сегментации мелких прудов позволила нам получить высокую семантическую точность сегментации, а также быструю скорость обучения для картирования прудов аквакультуры.