Использование CNN (сверточная нейронная сеть) для определение более точных кадастровых границ
Одной из главных задач управления земельными ресурсами в стране является обновление кадастровой системы. В статье рассматривается вопрос, как можно улучшить подход к обнаружению видимых границ земли и пересмотру существующих кадастровых данных с использованием глубокого обучения. Сверточная нейронная сеть (CNN), основанная на модифицированной архитектуре, была обучена с использованием набора данных сегментации Беркли 500 (BSDS500), доступного онлайн. В целом автоматические методы работают быстрее (после обучения модели), но менее точны, чем ручные. Для быстрого пересмотра существующих кадастровых границ автоматический подход, безусловно, желателен для многих национальных картографических и кадастровых агентств, особенно в развитых странах.
Ключевые слова: земля ; видимая граница ; кадастр ; техническое обслуживание ; БПЛА ; глубокое обучение
Содержание не найдено
Литература
1. Горина, А.В. Использование лазерного сканирования для ГИС / А.В. Горина, Реджепов М.Б. // Модели и технологии природообустройства (региональный аспект). - 2020. - № 1 (10). - С. 102-108.
2. Грибкова, И.С. Перспективы интеграции ГИС и BIM технологий для использования в области земельно-имущественных отношений / И.С. Грибкова, И.А. Белоконь // В сборнике: Современные проблемы и перспективы развития земельно-имущественных отношений. Сборник статей по материалам III Всероссийской научно-практической конференции. Отв. за выпуск Е.В. Яроцкая. – Краснодар. - 2021. - С. 13-16.
3. Лазарев, Д.С. Построение трехмерной модели на основе комплексных геодезических измерений / Д.С. Лазарев, Н.Б. Хахулина // Студент и наука. - 2022. - № 3 (22). - С. 48-53.
4. Нетребина, Ю.С. База геодезического мониторинга как основа анализа деформаций зданий и сооружений / Ю.С. Нетребина, Н.Б. Хахулина, Б.А. Попов // Научный журнал строительства и архитектуры. - 2022. - № 3 (67). - С. 11-19.
5. Попов, Б.А. Применение фотограмметрических способов для геотехнического мониторинга аварийных зданий и сооружений / Б.А. Попов, Н.Б. Хахулина, Ю.С. Нетребина / Научный журнал строительства и архитектуры. - 2021. - № 3 (63). - С. 23-36.
6. Реджепов, М.Б. Анализ применения наземного и воздушного лазерного сканирования / М.Б. Реджепов, С.А. Колесникова // В сборнике: Актуальные проблемы землеустройства, кадастра и природообустройства. Материалы I международной научно-практической конференции факультета землеустройства и кадастров ВГАУ. - 2019. - С. 292-300.
7. Спириденко, А.А. 3D лазерное сканирование строительных конструкций / Спириденко А.А., Горина А.В., Хахулина Н.Б. // Студент и наука. - 2018. - № 4. - С. 53-60.
8. Хахулина, Н.Б Исследование технологий создания трехмерных моделей объектов недвижимости / Хахулина Н.Б., Полухин А.И.// В сборнике: Теория и практика инновационных технологий в АПК. Материалы национальной научно-практической конференции. - Воронеж, - 2021. - С. 338-343.
9. Хахулина, Н.Б. Лазерное сканирование, как метод сбора пространственной информации для кадастра недвижимости / Н.Б. Хахулина, А.А. Черкасов // В сборнике: Кадастровое и эколого-ландшафтное обеспечение землеустройства в современных условиях. Материалы международной научно-практической конференции факультета землеустройства и кадастров ВГАУ. - 2018. - С. 260-264.
10. Хахулина Н.Б. Возможности технологий лазерного сканирования для получения геопространственных данных / Н.Б. Хахулина, И.В. Нестеренко // Модели и технологии природообустройства (региональный аспект). - 2018. - № 1 (6). - С. 141-149.
11. Autodesk и Bentley - https://www.pss.spb.ru/news/id40.html
12. Опыт использования возможностей совместного BIM / ГИС моделирования в проектах развития транспортной инфраструктуры - https://arcreview.esri-cis.ru/2020/04/30/bim-gis-modeling-in-transport-infrastructure-development/
13. Зачем нужна интеграция ГИС данных в BIM-моделях - https://infrabim.csd.ru/news/zachem-neobkhodima-integratsiya-gis-dannykh/#modal_materials
14. The Science of Where to Build
Такая архитектура обеспечивает, чтобы обученные фильтры производили сильный отклик на пространственно локальных входных образов.
При обучении модели с нуля необходимо предоставить данные дистанционного зондирования, т. е. изображения и метки. При трансферном обучении модель предварительно обучается, как правило, на большом количестве данных с более абстрактными функциями, а последний сверточный слой обучается на конкретных функциях нового приложения. обеспечивает более автоматизированное и точное обнаружение видимых границ на изображениях БПЛА, чем случайный лес.
Предварительная подготовка основывается на аэрофотоснимках, которые также необходимо предоставить. Если модель была обучена с нуля с использованием фото БПЛА, и результаты показывают, что этот подход превосходит методы, основанные на объектах, включая глобальную границу вероятности и сегме