Юрьев Антон Александрович, аспирант, ведущий инженер лаборатории инженерной геологии и геоэкологии, лаборатории комплексных исследований Арктики
Anton A. Yuriev, Postgraduate Student, Lead Engineer of the Laboratory of Engineering Geology and Geoecology,Laboratory of Integrated Arctic Research
Шелохов Иван Антонович, кандидат геолого-минералогических наук, младший научный сотрудник лаборатории комплексной геофизики, лаборатории комплексных исследований Арктики; ведущий научный сотрудник
Ivan A. Shelokhov, Cand. Sci. (Geol. & Mineral.),Junior Researcher of the Laboratory of Integrated Geophysics, Laboratory of Integrated Arctic Research; Leading Researcher
Буддо Игорь Владимирович, кандидат геолого-минералогических наук, заведующий лабораторией комплексной геофизики, лабораторией комплексных исследований Арктики; доцент кафедры прикладной геологии, геофизики и геоинформационных систем,институт «Сибирская школа геонаук»
Igor V. Buddo, Cand. Sci. (Geol. & Mineral.),Head of the Laboratory of Integrated Geophysics,Laboratory of Integrated Arctic Research; Associate Professor of the Department of Applied Geology,Geophysics and Geoinformation Systems, Siberian School of Geosciences
Рыбченко Артем Александрович, кандидат геолого-минералогических наук, заведующий лабораторией инженерной геологии и геоэкологии
Artem A. Rybchenko, Cand. Sci. (Geol. & Mineral.),Head of the Laboratory of Engineering Geology and Geoecology
В ходе проведенного исследования рассматривался процесс разработки и обучения нейронной сети U-Net для сегментации изображений озер и бугров пучения, основанных на данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации. Основной целью работы являлось создание эффективной модели глубокого обучения, способной автоматически выделять озера и бугры пучения на основе сложных радиолокационных изображений. Было проведено несколько этапов, включая сбор и аннотирование данных, выбор архитектуры нейронной сети, обучение и валидацию модели, а также оценку ее производительности. Описан процесс создания обучающего набора данных, который включает в себя аннотирование изображений, выделение признаков, а также подготовку данных для обучения. Рассмотрена архитектура U-Net, которая была выбрана из-за своей способности эффективно сегментировать объекты на изображениях. Обоснован выбор гиперпараметров, таких как количество фильтров, размер ядра свертки и функции активации, использован оптимизатор Adam для достижения быстрой и стабильной сходимости модели. Процесс обучения и валидации модели подробно описан с акцентом на использование валидационного подмножества для мониторинга производительности. Применены методы регуляризации, включая раннюю остановку, с целью предотвращения переобучения и улучшения обобщающей способности модели. В результате продемонстрирована значимость применения глубокого обучения для анализа данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации, а также подтверждена эффективность модели U-Net для решения задач сегментации.
В ходе проведенного исследования рассматривался процесс разработки и обучения нейронной сети U-Net для сегментации изображений озер и бугров пучения, основанных на данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации. Основной целью работы являлось создание эффективной модели глубокого обучения, способной автоматически выделять озера и бугры пучения на основе сложных радиолокационных изображений. Было проведено несколько этапов, включая сбор и аннотирование данных, выбор архитектуры нейронной сети, обучение и валидацию модели, а также оценку ее производительности. Описан процесс создания обучающего набора данных, который включает в себя аннотирование изображений, выделение признаков, а также подготовку данных для обучения. Рассмотрена архитектура U-Net, которая была выбрана из-за своей способности эффективно сегментировать объекты на изображениях. Обоснован выбор гиперпараметров, таких как количество фильтров, размер ядра свертки и функции активации, использован оптимизатор Adam для достижения быстрой и стабильной сходимости модели. Процесс обучения и валидации модели подробно описан с акцентом на использование валидационного подмножества для мониторинга производительности. Применены методы регуляризации, включая раннюю остановку, с целью предотвращения переобучения и улучшения обобщающей способности модели. В результате продемонстрирована значимость применения глубокого обучения для анализа данных синтетической апертурной радиолокации и интерферометрической синтетической апертурной радиолокации, а также подтверждена эффективность модели U-Net для решения задач сегментации.
This paper deals with the process of developing and training a U-Net neural network for image segmentation of lakes and hillocks based on synthetic aperture radar and interferometric synthetic aperture radar data. The main goal of the work is to create an effective deep learning model capable of automatically identifying lakes and heave mounds based on complex radar images. To achieve this goal, several stages were carried out, including data collection and annotation, selection of the neural network architecture, training and validation of the model, as well as evaluation of its performance. At the beginning of the work, the process of creating a training dataset is described, which includes annotating images, highlighting features, and preparing data for training. Next, we consider the U-Net architecture, which was chosen because of its ability to efficiently segment objects in images. The choice of hyperparameters, such as the number of filters, the size of the convolution core and activation functions, is justified, and the Adam optimizer is used to achieve fast and stable convergence of the model. The learning and validation process of the model is described in detail with an emphasis on using the validation subset to monitor performance. Regularization methods, including early stopping, are used to prevent overfitting and improve the generalizing ability of the model. As a result, the importance of using deep learning for synthetic aperture radar and interferometric synthetic aperture radar data analysis is demonstrated, as well as confirmation of the effectiveness of the U-Net model for solving segmentation problems.
The authors declare that there are no conflicts of interest present.