Повнотекстовий пошук
Пошуковий запит: (<.>A=Kosarevych R$<.>) |
Загальна кількість знайдених документів : 3
Представлено документи з 1 до 3
|
1. |
Kosarevych R. Application of stochastic point processes for modelling of pitting [Електронний ресурс] / R. Kosarevych, B. Rusyn, A. Pokhmursky // Metallurgical and mining industry. - 2016. - № 5. - С. 8-13. - Режим доступу: http://nbuv.gov.ua/UJRN/metmi_2016_5_3
| 2. |
Kosarevych R. Ya. Method of features construction for remote sensing images based on the characteristics of random point fields [Електронний ресурс] / R. Ya. Kosarevych, O. A. Lutsyk, B. P. Rusyn, V. V. Korniy // Відбір і обробка інформації. - 2017. - Вип. 45. - С. 90-95. - Режим доступу: http://nbuv.gov.ua/UJRN/vioi_2017_45_14
| 3. |
Rusyn B. P. Image segmentation of clouds based on deep learning [Електронний ресурс] / B. P. Rusyn, O. A. Lutsyk, R. Ya. Kosarevych, V. V. Korniy // Відбір і обробка інформації. - 2020. - Вип. 48. - С. 72-78. - Режим доступу: http://nbuv.gov.ua/UJRN/vioi_2020_48_10 Сучасний розвиток технологій впливає на розробку методів дистанційного зондування атмосфери Землі за допомогою бортових супутникових систем. Дистанційним зондуванням отримують зображення високої роздільної здатності, які придатні для використання різними службами спостереження та прогнозування атмосферних явищ. Кількість даних дистанційного зондування зросла до терабайт, і цей процес постійно триває, що унеможливлює аналіз та оцінку даних оператором-людиною. Це призводить до необхідності автоматизованого моніторингу та обробки зображень. Автоматизована обробка зображень є вирішальною ланкою у прогнозуванні маси хмарності. Робота присвячена розробці методів сегментації зображень атмосферних хмар. Проаналізовані основні методи сегментації під час застосування до зображень атмосферних хмар, отриманих методами дистанційного зондування. Запропоновано підхід, який є подальшим розвитком моделі глибокого навчання, що базується на нейронній мережі структури U-net класу CNN. Наведено якість сегментації зображень хмарності за допомогою різних методів, де мірою якості є критерії, що базуються на співвідношенні перетину до об'єднання множин (IoU). Оцінено переваги та недоліки запропонованого методу сегментації. Переваги підходу - простота, швидкість та якість сегментації до 5 класів. Встановлено доцільність використання сегментації на основі нейронних мереж з глибоким навчанням, що дало можливість локалізувати хмари на зображенні з високою достовірністю. Результати можна використати в системах моніторингу та класифікації регіонів України за розподілом хмарних мас по сезонах на основі зображень супутникових карт погоди.
|
|
|