Огляд методів машинного навчання для класифікації великих обсягів супутникових даних
With the appearance of free access to Big satellite data, the development of machine learning methods based on geospatial data, in particular satellite data, is becoming more and more relevant. In this paper, we consider and analyze the peculiarities of the basic machine learning methods and results...
Збережено в:
| Дата: | 2018 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2018
|
| Теми: | |
| Онлайн доступ: | http://journal.iasa.kpi.ua/article/view/114466 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System research and information technologies |
Репозитарії
System research and information technologies| id |
journaliasakpiua-article-114466 |
|---|---|
| record_format |
ojs |
| spelling |
journaliasakpiua-article-1144662018-04-12T11:42:34Z Review of machine learning methods for Big satellite Data classification Обзор методов машинного обучения для классификации больших объемов спутниковых данных Огляд методів машинного навчання для класифікації великих обсягів супутникових даних Lavreniuk, Mykola Novikov, Alexei machine learning deep learning convolutional neural network big data classification машинное обучение глубинное обучения сверточная нейронная сеть классификация больших объемов данных машинне навчання глибинне навчання згорткова нейронна мережа класифікації великих об’ємів даних With the appearance of free access to Big satellite data, the development of machine learning methods based on geospatial data, in particular satellite data, is becoming more and more relevant. In this paper, we consider and analyze the peculiarities of the basic machine learning methods and results of their application to the tasks of land cover classification based on high resolution satellite data. Special attention is paid to deep architectures, in particular, convolutional neural networks, which nowadays are the most powerful and precise method for visual pattern recognizing. We determine the main advantages of the deep learning methods over the traditional approaches to the classification tasks, that have been used over the last decades and based on expert knowledge to the features extraction from the input data. С появлением в свободном доступе больших объемов спутниковых данных все большую актуальность приобретает развитие методов машинного обучения на основе геопространственных данных, в частности спутниковых. В работе рассмотрены основные методы машинного обучения и проанализированы особенности и результаты их применения к задачам классификации земного покрова по спутниковым данным высокого разрешения. Особое внимание уделяется глубинным архитектурам, в частности сверточным нейронным сетям, что на сегодняшний день являются наиболее мощным и точным методом для распознавания визуальных образов. Определены основные преимущества методов глубинного обучения над традиционными подходами к задачам классификации, что использовались на протяжении последних десятилетий и базировались на экспертных знаниях для выделения признаков из входящих данных. З появою у вільному доступі великих обсягів супутникових даних дедалі більшої актуальності набуває розвиток методів машинного навчання на підставі геопросторових даних, зокрема, супутникових. Розглянуто основні методи машинного навчання і проаналізовано особливості та результати їх застосування до класифікації земного покриву за супутниковими даними високого розрізнення. Особливу увагу приділено глибинним архітектурам, зокрема згортковим нейронним мережам, що натепер є найбільш потужним і точним методом для розпізнавання візуальних образів. Визначено основні переваги методів глибинного навчання над традиційними підходами до задач класифікації, що використовувались протягом останніх десятиліть і ґрунтувались на експертних знаннях для виокремлення ознак із вхідних даних. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2018-03-20 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/114466 10.20535/SRIT.2308-8893.2018.1.04 System research and information technologies; No. 1 (2018); 52-71 Системные исследования и информационные технологии; № 1 (2018); 52-71 Системні дослідження та інформаційні технології; № 1 (2018); 52-71 2308-8893 1681-6048 uk http://journal.iasa.kpi.ua/article/view/114466/123508 Copyright (c) 2021 System research and information technologies |
| institution |
System research and information technologies |
| collection |
OJS |
| language |
Ukrainian |
| topic |
machine learning deep learning convolutional neural network big data classification машинное обучение глубинное обучения сверточная нейронная сеть классификация больших объемов данных машинне навчання глибинне навчання згорткова нейронна мережа класифікації великих об’ємів даних |
| spellingShingle |
machine learning deep learning convolutional neural network big data classification машинное обучение глубинное обучения сверточная нейронная сеть классификация больших объемов данных машинне навчання глибинне навчання згорткова нейронна мережа класифікації великих об’ємів даних Lavreniuk, Mykola Novikov, Alexei Огляд методів машинного навчання для класифікації великих обсягів супутникових даних |
| topic_facet |
machine learning deep learning convolutional neural network big data classification машинное обучение глубинное обучения сверточная нейронная сеть классификация больших объемов данных машинне навчання глибинне навчання згорткова нейронна мережа класифікації великих об’ємів даних |
| format |
Article |
| author |
Lavreniuk, Mykola Novikov, Alexei |
| author_facet |
Lavreniuk, Mykola Novikov, Alexei |
| author_sort |
Lavreniuk, Mykola |
| title |
Огляд методів машинного навчання для класифікації великих обсягів супутникових даних |
| title_short |
Огляд методів машинного навчання для класифікації великих обсягів супутникових даних |
| title_full |
Огляд методів машинного навчання для класифікації великих обсягів супутникових даних |
| title_fullStr |
Огляд методів машинного навчання для класифікації великих обсягів супутникових даних |
| title_full_unstemmed |
Огляд методів машинного навчання для класифікації великих обсягів супутникових даних |
| title_sort |
огляд методів машинного навчання для класифікації великих обсягів супутникових даних |
| title_alt |
Review of machine learning methods for Big satellite Data classification Обзор методов машинного обучения для классификации больших объемов спутниковых данных |
| description |
With the appearance of free access to Big satellite data, the development of machine learning methods based on geospatial data, in particular satellite data, is becoming more and more relevant. In this paper, we consider and analyze the peculiarities of the basic machine learning methods and results of their application to the tasks of land cover classification based on high resolution satellite data. Special attention is paid to deep architectures, in particular, convolutional neural networks, which nowadays are the most powerful and precise method for visual pattern recognizing. We determine the main advantages of the deep learning methods over the traditional approaches to the classification tasks, that have been used over the last decades and based on expert knowledge to the features extraction from the input data. |
| publisher |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| publishDate |
2018 |
| url |
http://journal.iasa.kpi.ua/article/view/114466 |
| work_keys_str_mv |
AT lavreniukmykola reviewofmachinelearningmethodsforbigsatellitedataclassification AT novikovalexei reviewofmachinelearningmethodsforbigsatellitedataclassification AT lavreniukmykola obzormetodovmašinnogoobučeniâdlâklassifikaciibolʹšihobʺemovsputnikovyhdannyh AT novikovalexei obzormetodovmašinnogoobučeniâdlâklassifikaciibolʹšihobʺemovsputnikovyhdannyh AT lavreniukmykola oglâdmetodívmašinnogonavčannâdlâklasifíkacíívelikihobsâgívsuputnikovihdanih AT novikovalexei oglâdmetodívmašinnogonavčannâdlâklasifíkacíívelikihobsâgívsuputnikovihdanih |
| first_indexed |
2024-04-08T15:05:58Z |
| last_indexed |
2024-04-08T15:05:58Z |
| _version_ |
1795779470550892544 |