Найти

Результаты поиска

• СОПОСТАВЛЕНИЕ ИЗОБРАЖЕНИЙ ПО ОСОБЫМ ТОЧКАМ РАЗЛИЧНЫХ КАТЕГОРИЙ

  К.И. Морев , А.В. Боженюк

  2020-10-11

  Аннотация ▼

  Работа посвящена экспериментам с различными методами выделения особых точек
  на изображениях с последующим их описанием бинарным дескриптором и сопоставлением
  методом полного перебора. В работе активно используется метод описания окрестно-
  стей особых точек, основанный на построении бинарной строки, характеризующей изме-
  нения яркостей пикселей в описываемой окрестности. Результирующая строка получается
  путем сравнения яркостей пикселей по определенному шаблону. Сегодня использование
  особых точек при работе с изображениями позволяет разрабатывать прикладные мето-
  ды в различных сферах компьютерного зрения с повышенными требованиями ко времени
  работы и устойчивости к резким изменениям сцен. В работе приведены результаты экс-
  периментов с особыми точками различных классов, классификация приводится в разделе 1.
  При проведении экспериментов использовались методы, реализованные в библиотеке
  OpenCV. В работе даны краткие описания используемых в экспериментах методов. В раз-
  деле 1 работы предлагается классификация современных типов особых точек изображе-
  ний и дается краткое описание популярных методов детектирования описываемых типов
  особых точек. В разделе 2 авторы дают общее описание методов работы с особыми точ-
  ками изображений. В разделе 3 приводится описание проводимых экспериментов с сопос-
  тавлением особых точек различных типов, описанных одним дескриптором, и раскрыва-
  ются их результаты. Проведенные эксперименты позволяют выявить сильные и слабые
  стороны связок различных типов особых точек при их сопоставлении.

• ОЦЕНКА ПРОСТРАНСТВЕННОГО ПОЛОЖЕНИЯ БОРТОВОЙ КАМЕРЫ ПУТЕМ СОПОСТАВЛЕНИЯ АЭРОФОТОСНИМКОВ И ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ

  А.Ю. Будко , Т.А. Гайда , З.А. Понимаш

  2026-02-27

  Аннотация ▼

  Описан метод оценки пространственного положения бортовой камеры летательного аппарата, заключающийся в сопоставлении аэрофотоснимков и геопривязанных данных дистанционного зондирования Земли (ДДЗ) путем обнаружения нейросетевым детектором устойчивых в пространстве и времени реперных точек в обоих наборах данных и дальнейшим решением известной задачи Perspective-n-Point (PnP) для оценки матриц поворота и перемещения, минимизирующих ошибку перепроецирования, исходя из соответствий точек 3D мирового пространства и 2D точек их проекций на матрицу бортовой камеры, что может быть использовано для решения актуальной задачи локализации летательных аппаратов в условиях отсутствия сигналов глобальной навигационной спутниковой системы. В качестве устойчивых реперных точек, хорошо выделяемых на данных ДДЗ и аэрофотоснимках, в работе выбраны перекрестки дорог, альтернативным выбором могут являться другие локальные семантические паттерны изображений, характерные для конкретной местности. Поскольку прямое сопоставление снимков ДДЗ и бортовых снимков затруднено вследствие существенной разницы условий съемки, предлагается применение устойчивых детекторов реперных точек на основе алгоритмов искусственных нейронных сетей (ИНС). Для обучения устойчивого детектора создан смешанный датасет на основе спутниковых снимков и данных бортовой съемки. При разметке данных смешанного датасета использована функция нормализованного к единице 3D гауссиана с вершиной в центре перекрестка, график которой проецируется на 2D маску обучающего набора. Параметры функции гауссиана рассчитываются на основе радиуса окружности, описывающей перекресток. Использование функции нормализованных гауссиан с вершиной в геометрическом центре проекции перекрестка позволяет обучить сеть предсказывать вероятность принадлежности каждого пикселя изображения к перекрестку, с максимумом в центре перекрестка, что увеличивает точность позиционирования за счет более точной геопривязки реперной точки мирового 3D набора. В качестве детектора перекрестков в работе обучена ИНС архитектуры типа U-Net, в качестве метрики качества обучения использован дифференцируемый аналог метрики Dice, в качестве оптимизатора использован AdamW в связке с косинусным планировщиком скорости обучения CosineAnnealingLR. В заключительной части работы приведены результаты сопоставления спутниковых данных и бортового снимка предложенным методом