Можливості адаптації(трансфертне навчання) на прикладі моделі PYCDA
Модель, реалізована в модулі PyCDA орієнтована на автоматичне визначення кратерів на Марсі та Місяці. В основі алгоритму лежать конволюційні нейронні мережі. Теоретичні аспекти алгоритму представлені в роботі [1]. В роботах [2,3] досліджені питання та технології автоматичного розпізнавання та підрахунку кількості кратерів, але жоден з цих методів не став повністю автоматизованим чи стандартним інструментом у аналізі планетарних поверхонь.
Підходи до алгоритмів виявлення кратерів (CDA) включають методи аналізу зображень, такі як виявлення країв і трансформація Хафа. Однак у останні роки деякі з них також включили машинне навчання, включаючи архітектури нейронних мереж.
Вибір модуля PyCDA обумовлений тим, що він надаю автоматизоване рішення на основі машинного навчання для проблеми виявлення та підрахунку кратерів, яке використовує згорткову нейронну мережу (CNN) з даними реального зразка (тренувальними даними), наданими існуючою базою даних марсіанських кратерів з діаметрами понад 1 км [4,5]. Цей алгоритм заснований на використанні згорткової нейронної мережі (CNN) та TensorBox, відкритої платформи для детекції об'єктів на базі Google TensorFlow. Для тренування та аналізу CDA були використані мозаїки термальних емісійних зображень USGS Astrogeology (THEMIS), що покривають всю екваторіальну широтну смугу Марсу. Кожне мозаїчне зображення охоплює область приблизно 2700 км на 1800 км. Мозаїки були розділені на 6387 тайлів, кожен з яких має ширину 1280 пікселів і висоту 960 пікселів. Подальше вдосконалення алгоритму для зображень з високою роздільною здатністю, дозволило виявляти кратери від 100м, що в термінах виявлення кратерів від вирв означає, що алгоритм CDA здатний виявити широкий спектр кратерів, які різняться за розміром і виглядом. CDA виявила 80% кратерів, ідентифікованих у режимі ручної ідентифікації. При цьому CDA виявила деякі кратери, які були упущені ручною ідентифікацією, і навпаки. Таким чином, точність CDA досягає рівня точності, порівнянного з ручним виявленням.
Таким чином, PyCDA – це готовий модуль який реалізує алгоритм для детекції кратерів (CDA), написаний на Python. Він націлений на те, щоб зробити дослідження CDA модульним і зручним у використанні.
Для адаптації цього алгоритму до задачі виявлення вирв було досліджено та апробовано різні методи підготовки зображень, спрямовані на те, щоб зробити їх найбільш схожими на зображення на яких навчалась модель CDA.
Для цього використовувалась наступна процедура:
Переведення зображення в відтінки сірого
Зменшення шуму на зображеннях за допомогою Гаусівського фільтру
Адаптація яркості і контрастності зображення за допомогою 2d конволюційної фільтрації (рис. 2)
Рис. 2 Адаптація яркості і контрастності зображення за допомогою 2d конволюційної фільтрації
Приклад реалізацій детекції із застосуванням цього підходу показано на рис.3
Рис.3 Детекція із використанням алгоритму PyCDA
Наступний розділ (Методика навчання моделей комп’ютерного зору на базі зібраних та розмічених даних)