Разработка нейросетевой модели для анализа пространственных данных

Цели. Цели настоящего исследования - разработка и апробация нейросетевой модели для анализа пространственных данных. Преимуществом предложенной модели является наличие большого количества степеней свободы, что позволяет гибко конфигурировать модель, исходя из решаемой проблемы. Данная разработка входит в состав базы знаний репозитория моделей глубокого машинного обучения, включающего подсистему динамической визуализации на основе адаптивных веб-интерфейсов с интерактивной возможностью прямого редактирования архитектуры и топологии нейросетевых моделей.

Методы. Решение проблемы повышения точности анализа и классификации пространственных данных основано на привлечении геосистемного подхода, предполагающего анализ генетической однородности территориально-смежных образований различного масштаба и иерархического уровня. Для апробации предложенной методики применен открытый набор данных EuroSAT, сформированный для обучения и тестирования моделей машинного обучения с целью эффективного решения проблемы классификации систем землепользования и растительного покрова с использованием спутниковых снимков Sentinel-2. Онтологическая модель репозитория, в который входит модель, декомпозируется на домены моделей глубокого машинного обучения, решаемых задач и данных. Это позволяет дать комплексное определение формализуемой области знаний: каждая хранимая нейросетевая модель сопоставлена с набором конкретных задач и наборами данных.

Результаты. Апробация модели для набора EuroSAT, алгоритмически расширенного с позиции геосистемного подхода, дает возможность повысить точность классификации в условиях дефицита обучающих данных в пределах 9%, а также приблизиться к точности глубоких моделей ResNet50 и GoogleNet.

Выводы. Внедрение созданной модели в репозиторий позволит не только сформировать базу знаний моделей для анализа пространственных данных, но и решить проблему подбора эффективных моделей для решения задач в области цифровой экономики.

1. Saleh H., Alexandrov D., Dzhonov A. Uberisation business model based on blockchain for implementation decentralized application for lease/rent lodging. In: Rocha A., Serrhini M. (Eds.). Information Systems and Technologies to Support Learning (EMENA-ISTL 2018). Smart Innovation, Systems and Technologies. International Conference Europe Middle East & North Africa. Springer, Cham. 2018;111:225-232. https://doi.org/10.1007/978-3-030-03577-8_26

2. Сигов А.С., Цветков В.Я., Рогов И.Е. Методы оценки сложности тестирования в сфере образования. Russ. Technol. J. 2021;9(6):64-72. https://doi.org/10.32362/2500-316X-2021-9-6-64-72

3. Liu Y., Sangineto E., Bi W., Sebe N., Lepri B., Nadai M. Efficient training of visual transformers with small datasets. Advances in Neural Information Processing Systems. 2021;34: 23818-23830. URL: https://arxiv.org/pdf/2106.03746.pdf

4. Занозин В.В., Карабаева А.З., Конеева А.В., Макее -ва Е.В., Молокова В.Г. Особенности горизонтальной структуры центральной части ландшафта дельты Волги. Географические науки и образование: сб. трудов XI Всероссийской научно-практической конференции. 2018. С. 161-163.

5. Yamashkina E.O., Kovalenko S.M., Platonova O.V. Development of repository of deep neural networks for the analysis of geospatial data. IOP Conf. Ser.: Mater. Sci. Eng. 2021;1047(1).012124. https.//doi.org/10.1088/1757-899X/1047/1/012124

6. Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications. A meta-review. Remote Sens. Environ. 2020;236(5).111402. https.//doi.org/10.1016/j.rse.2019.111402

7. Ямашкин С.А., Ямашкин А.А. Повышение эффективности процесса интерпретации данных дистанционного зондирования Земли за счет анализа дескрипторов окрестности. Инженерные технологии и системы. 2018;28(3).352-365. https.//doi.org/10.15507/0236-2910.028.201803.352-365

8. Ioffe S., Szegedy Ch. Batch Normalization: accelerating deep network training by reducing internal covariate shift. Preprint. March 2, 2015. URL. https.//arxiv.org/pdf/1502.03167.pdf

9. Yao Z., Cao Y., Zheng S., Huang G., Lin S. Cross-iteration Batch Normalization. In. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2021.12331-12340. https.//doi.org/10.1109/CVPR46437.2021.01215

10. Jung W., Jung D., Kim B., Lee S., Rhee W., Ahn J.H. Restructuring Batch Normalization to accelerate CNN training. In. Proceedings of Machine Learning and Systems.2019;1.14-26. URL. https.//mlsys.org/Conferences/2019/doc/2019/18.pdf

11. Chen Y., Dai X., Liu M., Chen D., Yuan L., Liu Z. Dynamic ReLU. In. Vedaldi A., Bischof H., Brox T., Frahm J.M. (Eds.). Computer Vision - ECCV 2020. ECCV 2020. Lecture Notes in Computer Science. Cham. Springer; 2020. V. 12364. P. 351-367. https.//doi.org/10.1007/978-3-030-58529-7_21

12. Gu J., et al. Recent advances in convolutional neural networks. Pattern Recognition. 2018;77.354-377. https://doi.org/10.1016/j.patcog.2017.10.013

13. Kozaev A., Saleh H., Alexandrov D. Simulation of emergency situations on main gas pipeline with MATLAB Simulink. In. 2019 Actual Problems of Systems and Software Engineering (APSSE). IEEE. 2019.63-68. https.//doi.org/10.1109/APSSE47353.2019.00015

14. Helber P., Bischke B., Dengel A., Borth D. Introducing Eurosat. A novel dataset and deep learning benchmark for land use and land cover classification. In. IEEE International Symposium on Geoscience and Remote Sensing (IGARSS). 2018. 204-207. https.//doi.org/10.1109/IGARSS.2018.8519248

15. Phiri D., Simwanda M., Salekin S., Nyirenda V.R., Murayama Y., Ranagalage M. Sentinel-2 data for land cover/use mapping. a review. Remote Sens. 2020;12(14).2291. https.//doi.org/10.3390/rs12142291

16. Helber P., Bischke B., Dengel A., Borth D. EuroSAT. A novel dataset and deep learning benchmark for land use and land cover classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2019;12(7). 2217-2226. https.//doi.org/10.1109/JSTARS.2019.2918242

17. Szegedy Ch., Ioffe S., Vanhoucke V., Alemi A. Inception-v4, Inception-ResNet and the impact of residual connections on learning. In: Thirty-First AAAI Conference on Artificial Intelligence. 2017;31(1). https://doi.org/10.1609/aaai.v31i1.11231

18. Yamashkin S.A., Radovanovic M.M., Yamashkin A.A., Barmin A.N., Zanozin V.V., Petrovic M.D. Problems of designing geoportal interfaces. GeoJournal of Tourism and Geosites. 2019;24(1):88-101. https://doi.org/10.30892/gtg.24108-345

19. Soni A., Ranga V. API features individualizing of web services: REST and SOAP. Int. J. Innovative Technol. Exploring Eng. 2019;8(9S):664-671. https://doi.org/10.35940/ijitee.I1107.0789S19

20. Szegedy Ch., et al. Going deeper with convolutions. In: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015;1-9. https://doi.org/10.1109/CVPR.2015.7298594