Найти

Результаты поиска

• 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

• РАЗРАБОТКА ГИБРИДНОЙ АРХИТЕКТУРЫ СВЁРТОЧНОЙ НЕЙРОННОЙ СЕТИ С ИСПОЛЬЗОВАНИЕМ СПЕКТРАЛЬНЫХ ПРЕОБРАЗОВАНИЙ

  Б. В. Костров , С.И. Бабаев , А.И. Ефимов , В. Ю. Тарасова

  2026-02-27

  Аннотация ▼

  Предлагается архитектура гибридной свёрточной нейронной сети, сочетающей спектральные и пространственные слои, а также новый метод подвыборки (WalsPooling). Разработанная система применяется для оценки географической близости пары изображений на основе их визуального сходства. Пара изображений получена с разных сенсоров и определение их визуального сходства осложняется условиями съёмки с разным масштабом, углом наклона сенсора. На основе фрагмента съёмки на малой высоте выполняется поиск в базе данных изображений подстилающей поверхности. Поиск осуществляется в окрестности заданного маршрута на основе вектора признаков изображений, который формируется на последнем слое свёрточной нейронной сети. Система использует сиамскую архитектуру, так как на вход необходимо подавать пару изображений. Актуальность задачи обусловлена необходимостью обеспечения навигации БПЛА в условиях отсутствия или ненадёжности GPS-сигнала. Также рассматривается подход к формированию набора данных и его предварительная обработка. Поиск в базе данных выполняется в окрестности маршрута, что сокращает вычислительные затраты. Эксперименты включают анализ применимости предложенных слоёв (WalsPooling) и сравнение с традиционными методами подвыборки. Также в работе представлен метод линейной аппроксимации с обучаемыми параметрами для уменьшения размерности сверточного слоя. Основное преимущество подхода – устойчивость к изменениям масштаба и угла съёмки за счёт комбинации спектральных и пространственных признаков. Результаты демонстрируют применимость метода для навигации БПЛА в условиях потери или ненадежности GPS-сигнала. В результате эксперимента было получено, что использование восстановленных после спектрального преобразования изображений позволяет достичь наилучших результатов сходимости нейронной сети и среднеквадратической ошибки. Разработанная архитектура демонстрирует устойчивость к геометрическим и яркостным искажениям, а ее метрики качества (Precision = 0.728, Recall = 0.800, F1 = 0.872) подтверждает эффективность подхода для задач визуальной локализации на основе изображений из базы данных подстилающей поверхности.