Лаборатория нейросетей
Успешная работа лаборатории искусственного интеллекта обеспечивается естественным интеллектом талантливой и профессиональной команды "Терра Тех"
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.
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.
Нейросеть обучена не просто применять атмосферные фильтры, а восстанавливать реалистичные значения яркости поверхности Земли. Для этого разработана отдельная технология ИИ.
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.
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.
При подготовке аналитики машинное обучение помогает зачастую точнее и быстрее человека определять границы и состояние разных объектов местности: леса, зданий, дорог и др.
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