Skip navigation
Please use this identifier to cite or link to this item:
Title: Модель машинного обучения для обработки аэрокосмических изображений земной поверхности
Other Titles: Machine Learning Model for Processing Aerospace Images of the Earth's Surface
Authors: Старовойтова, Т. Ф.
Старовойтов, И. А.
Keywords: цифровая трансформация;аэрокосмические изображения;машинное обучение;нейронные сети;обработка данных;распознавание объектов;Python;Tensorflow
Issue Date: 2024
Publisher: БГУИР
Citation: Старовойтова, Т. Ф. Модель машинного обучения для обработки аэрокосмических изображений земной поверхности = Machine Learning Model for Processing Aerospace Images of the Earth's Surface / Т. Ф. Старовойтова, И. А. Старовойтов // Цифровая трансформация. – 2024. – Т. 30, № 1. – С. 63–70.
Abstract: Представлены особенности получения и обработки аэрокосмических изображений земной поверхности в контексте цифровизации для создания точных топографических карт и планов в цифровом и графическом форматах. Создана модель обработки данных на основе языка программирования Python и нейронных сетей, целью которой является улучшение распознавания объектов на аэрокосмических снимках. Методология разработки модели машинного обучения включает в себя определение целей и задач модели, выбор подходящего алгоритма обучения (в данном случае – нейронных сетей), сбор и подготовку набора данных, настройку модели и тестирование на тестовом наборе данных. Рассмотрены недостатки существующих алгоритмов обработки данных, представлен подход, позволяющий повысить эффективность распознавания и анализа данных.
Alternative abstract: The article presents the specifics of acquisition and processing aerospace images of the earth's surface in the context of their digitalization for creating accurate topographic maps and plans in digital and graphic formats. A data processing model has been developed based on the Python programming language and neural networks, the purpose of which is to improve the recognition of objects in aerospace images. The methodology for creating a machine learning model includes defining the goals and objectives of the model, selecting an appropriate learning algorithm (in this case, neural networks), collecting and preparing a data set, tuning the model, and testing on a test data set. The shortcomings of existing data processing algorithms are also discussed and an approach is presented to improve the efficiency of data processing and analysis.
Appears in Collections:Том 30, № 1

Files in This Item:
File Description SizeFormat 
Starovojtova_Model'.pdf881.25 kBAdobe PDFView/Open
Show full item record Google Scholar

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.