Помехоустойчивость модели полносверточной нейронной сети U Net при семантической сегментации деревьев пихты на зашумленных снимках с БПЛА

Авторы и правообладатели:

• Малкин А. Ю. , Национальный исследовательский Томский политехнический университет (Томск, Россия)
• Марков Н. Г. , Национальный исследовательский Томский политехнический университет (Томск, Россия)

• 1. Global forest area disturbance from fire, insect pests, diseases and severe weather events / P. van Lierop, E. Lindquist, S. Sathyapala, G. Franceschini // Forest Ecology and Management. – 2015. – Vol. 352. – P. 78–88.
• 2. Invasive pests of forests and urban trees in Russia: origin pathways, damage, and management / D. Musolin, N. Kirichenko, N. Karpun, M. Mandelshtam, A. Selikhovkin, E. Zhuravleva, E. Aksenenko, V. Golub, I. Kerchev, R. Vasaitis, M. Volkovitsh, E. Zhuravleva // Forests. – 2022. – Vol. 13. – P. 521.
• 3. Технология мониторинга пихтовых лесов в зоне инвазии уссурийского полиграфа в Сибири: метод. пособие / С.А. Кривец, Э.М. Бисирова, Е.С. Волкова, Н.М. Деб, Н.А. Чернова. – Томск: УМИУМ, 2018. – 74 с.
• 4. Bystrov S.O. First record of the four-eyed fir bark beetle Polygraphus proximus Blandford, 1894 (Coleoptera, Curculionidae: Scolytinae) from Irkutsk province Russia / S.O. Bystrov, I.A. Antonov // Entomological Review. – 2019. – Vol. 99. – P. 54–55.
• 5. Денисов С.А. Опыт применения квадрокоптера для мониторинга возобновления леса / С.А. Денисов, А.А. Домрачев, А.С. Елсуков // Вестник Поволжского гос. технологического ун-та. Сер.: Лес. Экология. Природопользование. – 2016. – № 4 (32). – С. 34–46.
• 6. Detection of Fir Trees (Abies sibirica) Damaged by the Bark Beetle in Unmanned Aerial Vehicle Images with Deep Learning / A. Safonova, S. Tabik, D. Alcaraz-Segura, A. Rubtsov, Y. Maglinets, F. Herrera // Remote Sensing. – 2019. – Vol. 11. – P. 643–662.
• 7. Early-Stage Pine Wilt Disease Detection via Multi-Feature Fusion in UAV Imagery / W. Xie, H. Wang, W. Liu, H. Zang // Forests. – 2024. – Vol. 15. – P. 171.
• 8. Семантическая сегментация поврежденных деревьев пихты на снимках с беспилотных летательных аппаратов / И.А. Керчев, К.А. Маслов, Н.Г. Марков, О.С. Токарева // Современные проблемы дистанционного зондирования Земли из космоса. – 2021. – Т. 18, № 1. – С. 116–126.
• 9. Kocon K. Comparison of CNN-based segmentation models for forest type classification / K. Kocon, M. Krämer, H.M. Würz // AGILE: GIScience Series. – 2022. – Vol. 3. – P. 42.
• 10. Ronneberger O. U-Net: Convolutional Networks for Biomedical Image Segmentation / O. Ronneberger, P. Fischer, T. Brox // Medical Image Computing and Computer-Assisted Intervention. – 2015. – Vol. 9351. – P. 234–241.
• 11. Сивак М.А. Робастное обучение нейронных сетей с простой архитектурой для решения задач классификации: дис. … канд. техн. наук: 05.13.17. – Новосибирск: НГТУ, 2022. – 111 с.
• 12. Модели U-Net для семантической сегментации поврежденных деревьев сосны сибирской кедровой на снимках с БПЛА / Н.Г. Марков, К.А. Маслов, И.А. Керчев, О.С. Токарева // Современные проблемы дистанционного зондирования Земли из космоса. – 2022. – Т. 19, № 1. – С. 65–77.
• 13. Clevert D.A. Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs) / D.A. Clevert, T. Unterthiner, S. Hochreiter // arXiv. – 2015 [Электронный ресурс]. – Режим доступа: https://arxiv.org/abs/1511.07289, свободный (дата обращения: 04.07.2024).
• 14. Mlotshwa T. Cauchy Loss Function: Robustness Under Gaussian and Cauchy Noise / T. Mlotshwa, H. van Deventer, A.S. Bosman // arXiv. – 2023 [Электронный ресурс]. – Режим доступа: https://arxiv.org/abs/2302.07238, свободный (дата обращения: 04.07.2024).
• 15. Focal Loss for Dense Object Detection / T. Lin, P. Goyal, R. Girshick, K. He, P. Dollár // arXiv. – 2017 [Электронный ресурс]. – Режим доступа: https://arxiv.org/abs/1708.02002, свободный (дата обращения: 04.07.2024).
• 16. Optimizing the Dice Score and Jaccard Index for Medical Image Segmentation: Theory & Practice / J. Bertels, T. Eelbode, M. Berman, D. Vandermeulen, F. Maes, R. Bisschops, M. Blaschko // arXiv. – 2019 [Электронный ресурс]. – Режим доступа: https://arxiv.org/abs/1911.01685, свободный (дата обращения: 04.07.2024).