датасетов
Эффективность нейронных сетей
Нейросети помогают повысить качество аналитики и экономят ресурсы
Основные направления применения ИИ
Повышение качества снимков
Алгоритмы машинного обучения помогают оптимизировать процесс подготовки космических данных для дальнейшей обработки.
Нейросети выполняют объединение панхроматических и мультиспектральных снимков, а также помогают повысить детализацию изображения, в результате чего улучшается визуальное восприятие.
![](/upload/sprint.editor/182/yv9qf7cbgfpa5tcnf8yvxvhqofbwenwk/img_1708602314_3345_534_pansharptt.gif)
Наилучший эффект достигается при совместном использовании методов паншарпенинга (Pansharpening) и супер-разрешения (Super-resolution). Нейросетевой алгоритм паншарпенинга используется в качестве альтернативы классическим статистическим подходам. Суть метода паншарпенинга заключается в применении цветов мультиспектральных каналов более низкого разрешения к объектам панхроматического канала с более высоким разрешением. Нейросетевой способ демонстрирует не только качественно лучшие результаты по сравнению с классическими подходами, но и работает значительно быстрее. Затем применяется другой алгоритм супер-разрешения, задача которого повысить детализацию изображения. Алгоритм добавляет в изображение пикселей, тем самым увеличивая его четкость. Технология, как и классический подход, основана на методе интерполяции, но выполняется нейросетью, что в том числе повышает быстродействие операции в целом.
![photo before](/upload/sprint.editor/69b/gbsmzmtnbe87y9u8yuvl27xqb9afdm7q/img_1708603265_2502_623_haze_1.jpg)
![photo after](/upload/sprint.editor/59c/gxic1jw9eqf1rnb9yevtjzzygz1f6s8g/img_1708603280_7755_245_haze_2.jpg)
Нейросеть обучена не просто применять атмосферные фильтры, а восстанавливать реалистичные значения яркости поверхности Земли. Для этого разработана отдельная технология ИИ.
![photo before](/upload/sprint.editor/0ae/ymh4wukw928ln25aug1wtflqaywzi0kl/img_1708603299_5992_398_offset_1.jpg)
![photo after](/upload/sprint.editor/f09/082oif4h17sw3f22oho1qknvju8wzmmk/img_1708603308_4733_749_offset_2.jpg)
Благодаря разработанному алгоритму снижается влияние ошибок в работе сенсоров на спутнике и повышается общее качество данных, поступающих затем в обработку. Другой похожий алгоритм помогает улучшить точность привязки снимков.
Сегментация изображений
При работе с данными космической съемки чаще всего используют подходы семантической сегментации. Обученный алгоритм распознает на снимке природные объекты одного типа, присваивает им классы, а также количественные и качественные характеристики.
На этапе подготовки данных дистанционного зондирования Земли нейросети применяются для выявления облачности и теней, а также других объектов, способных внести искажения в изображение.
![photo before](/upload/sprint.editor/b81/tmpt28kh3warhvf2bhgfuyxngw5sxgyx/img_1708603351_9263_393_clouds_1.jpg)
![photo after](/upload/sprint.editor/65b/1aw1pl2h38wlt0el97cb7qp0wzuj95o9/img_1708603362_352_919_clouds_2.jpg)
Дымка, тени, вода, лед, снег, песок и другие объекты могут вносить существенные искажения в изображение из-за своей яркости. Нейросети находят такие объекты и помогают скорректировать изображение.
![photo before](/upload/sprint.editor/21d/tkka41o9c3o2ht0xbsy34dwqy2kctri9/img_1708603382_3934_807_segmentation_1.jpg)
![photo after](/upload/sprint.editor/9d2/ynnnjyv9p8d9fq9is2sxc45o13lkd09v/img_1708603396_2996_263_segmentation_2.jpg)
При подготовке аналитики машинное обучение помогает зачастую точнее и быстрее человека определять границы и состояние разных объектов местности: леса, зданий, дорог и др.
![photo before](/upload/sprint.editor/a03/e5s8lzemotua3eh8xwa1tl5z4fc5yby2/img_1708603407_1328_309_defects_1.jpg)
![photo after](/upload/sprint.editor/a8c/38y0ovutcf67w12qdban6euhr1wux5t0/img_1708603414_1669_323_defects_2.jpg)
В работе спутниковых сенсоров иногда могут происходить сбои, которые приводят к дефектам на изображении и влияют не только на визуальное восприятие снимка, но и на качество потоковой обработки данных, в том числе при создании тематических продуктов. Для автоматического контроля качества создан алгоритм, который выявляет зоны дефектов съемки и исключает их из дальнейшей обработки, экономя вычислительные ресурсы, или готовит изображение к корректировке другими нейросетями.
Примеры результатов сегментации
Заказать проект
Заполните информацию для оформления заказа или свяжитесь с нами