Одним из главных принципов уникальной «системы Физтеха», заложенной в основу образования в МФТИ, является тщательный отбор одаренных и склонных к творческой работе представителей молодежи. Абитуриентами Физтеха становятся самые талантливые и высокообразованные выпускники школ всей России и десятков стран мира.

Студенческая жизнь в МФТИ насыщенна и разнообразна. Студенты активно совмещают учебную деятельность с занятиями спортом, участием в культурно-массовых мероприятиях, а также их организации. Администрация института всячески поддерживает инициативу и заботится о благополучии студентов. Так, ведется непрерывная работа по расширению студенческого городка и улучшению быта студентов.

Адрес e-mail:

Использование нейросетевых технологий для идентификации на космических изображениях наиболее трудноразличимых объектов

В.А. Головко, к.ф.-м.н, с.н.с. МФТИ; Д.В. Рыжов, студент VI курса

Московский физико-технический институт

Кафедра систем, устройств и методов геокосмической физики

 

            Одной из наиболее сложных и актуальных проблем компьютерной обработки космических изображений является решение задачи выделения и распознавания трудно различимых природных и антропогенных объектов. Часто, даже для сравнительно легко дешифрируемых при визуальном анализе объектов, бывает трудно построить формализованный алгоритм компьютерной сегментации изображения с целью автоматического распознавания заданных образований. Удивительные возможности визуального анализа объясняются поразительным свойством человеческого интеллекта принимать правильные решения в обстановке неполной и нечеткой информации. Возникающие при этом сложности решения задач компьютерной идентификации трудно различимых объектов на космических изображениях относят к проблемам решения, так называемых «трудно формализуемых» задач.

            Одним из наиболее эффективных подходов к решению трудно формализованных задач в настоящее время является подход, основанный на примерах (case-based), при использовании которого надо иметь лишь достаточное количество примеров для настройки адаптивной системы распознавания с заданной степенью достоверности. Искусственные нейронные сети представляют собой классический пример такого подхода.

            Аппарат нечетких множеств и нечеткой логики уже давно применяется для решения задач, в которых исходные данные являются ненадежными и слабо формализованными. Нечеткие нейронные сети являются примером наиболее эффективных нечетких адаптивных систем. В качестве примера реализации и использования подобных систем рассматриваются результаты идентификации треков от прохода судов в ледовых полях Ботнического залива Балтийского моря в марте 1997 г. по данным многоспектральных космических изображений высокого пространственного разрешения, полученных с помощью аппаратуры МСУ-Э с борта российского оперативного спутника «Ресурс-01» в период проведения международного эксперимента ZIP-97 (Zooming of Ice Physics) .

            Существенное внимание при решении данной задачи было уделено рассмотрению генетических алгоритмов, которые, как и нечеткие нейронные сети относятся к классу гибридных систем. Наиболее эффективными оказались процедуры, в которых генетические алгоритмы использовались в процессе обучения нейронных сетей, в том числе и нечетких, для поиска оптимальной структуры и набора весовых коэффициентов.

            Полученные результаты показывают, что нейросетевые классификаторы позволяют реализовать более надежное распознавание трудно различимых объектов по сравнения с «обычными» классификаторами, построенными на основе статистических сигнатур. При этом важно отметить, что применение нейросетевых классификаторов не требует проведения некоторых видов традиционной предобработки изображений. Например, текстурная сегментация многоспектральных изображений может быть реализована без явного определения текстурной меры.

Если вы заметили в тексте ошибку, выделите её и нажмите Ctrl+Enter.

© 2001-2016 Московский физико-технический институт
(государственный университет)

Техподдержка сайта

МФТИ в социальных сетях

soc-vk soc-fb soc-tw soc-li soc-li
Яндекс.Метрика