Browsing by Author "Міщенко, Максим Станіславович"

Now showing 1 - 4 of 4

Аналіз методів виділення водних об'єктів на супутникових зображеннях
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Гнатушенко, Вікторія Володимирівна; Міщенко, Максим Станіславович
UKR: У роботі проведено порівняльний аналіз сучасних методів виділення водних об'єктів на мультиспектральних супутникових знімках, досліджено їх переваги та недоліки, наведено перспективні напрямки розвитку даної галузі. До основних методів належать спектральні водні індекси (NDWI, MNDWI, AWEI), методи класифікації зображень (метод нульового порогу, метод Оцу, метод k-найближчих сусідів) та сучасні підходи на основі машинного навчання. Отже, робота присвячена актуальній темі в області обробки та аналізу мультиспектральних супутникових знімків для виділення водних об'єктів. Актуальність даної теми зумовлена зростаючою потребою в точному та оперативному моніторингу водних ресурсів для вирішення численних екологічних, економічних та соціальних проблем. Вона містить корисну інформацію для дослідників, які працюють у галузі дистанційного зондування Землі, та може слугувати основою для вибору оптимальних методів класифікації водних об'єктів залежно від конкретних умов та завдань.
Визначення об’єктів на супутникових знімках за допомогою PyTorch
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2024) Міщенко, Максим Станіславович; Гнатушенко, Вікторія Володимирівна
UKR: Дана робота присвячена розробці нейронної мережі для класифікації супутникових знімків Землі за чотирма класами: вода, піски, хмари та зелена місцевість (ліси, поля, скупчення рослин). Для цього використовується Python-бібліотека PyTorch, орієнтована на застосування глибинного навчання для задач комп'ютерного зору. Запропонований підхід дозволяє автоматично класифікувати супутникові знімки, полегшуючи аналіз великих обсягів даних, його було протестовано на супутникових знімках Sentinel-2, отриманих з березня по серпень 2023 року для деяких частин Херсонської та Миколаївської областей, Україна, та отримано загальну точність 95%. Результати дослідження є корисними для спеціалістів у галузях дистанційного зондування Землі, комп'ютерного зору, машинного навчання та розробки програмного забезпечення для аналізу аерокосмічних зображень.
Класифікація екооб’єктів на супутникових зображеннях за допомогою PyTorch
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2024) Міщенко, Максим Станіславович; Гнатушенко, Вікторія Володимирівна; Сінгер, Анастасія-Джей Володимирівна
UKR: У статті наведена практична реалізація алгоритму класифікації екооб’єктів на супутникових зображеннях з використанням бібліотеки глибинного навчання PyTorch. Метою дослідження є підвищення якості класифікації об’єктів на цифрових зображеннях завдяки розробці та використанню моделі нейронної мережі. Запропонований підхід дозволяє класифікувати воду, піски, хмари та зелену місцевість на супутникових знімках, полегшуючи аналіз великих обсягів даних та отримано середню точність 95%. Його було протестовано на супутникових знімках Sentinel-2, отриманих з березня по серпень 2023 року для деяких частин Херсонської та Миколаївської областей, Україна. Для навчання моделі використовується попередньо натренована архітектура ResNet. Представлене дослідження демонструє практичне використання сучасних методів глибинного навчання, зокрема бібліотеки PyTorch, для вирішення актуальних завдань аналізу та класифікації об’єктів на супутникових знімках.
Сучасні тенденції в обробці аерокосмічних зображень та розпізнаванні образів
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2023) Міщенко, Максим Станіславович; Сокол, Олександр; Гнатушенко, Вікторія Володимирівна
UKR: Ця стаття спрямована на аналіз сучасних тенденцій в обробці та розпізнаванні аерокосмічних зображень. Такі зображення є важливим джерелом інформації для різних галузей промисловості, таких як військова та цивільна картографії, сільське господарство та екологія. Процес обробки та аналізу великомасштабних аерокосмічних зображень вимагає значних витрат часу та ресурсів, тому виникає потреба у використанні сучасних методів машинного навчання та обробки зображень. У цьому документі описано різні методи обробки аерокосмічних зображень, такі як лінійна фільтрація, аналіз незалежних компонентів, зіставлення шаблонів і генеративні змагальні мережі. Використання сучасних методів обробки та розпізнавання образів аерокосмічних зображень є важливим кроком у підвищенні ефективності та точності аналізу великомасштабних зображень, що може бути корисним для різних галузей промисловості, які використовують аерокосмічні зображення.