Тезисы

Спутниковые изображения Landsat-8 являются одним из наиболее востребованных инструментов мониторинга и исследования земной поверхности. Одной из главных проблем использования этих изображений является зашумленность их облаками и тенями от облаков. На начальном этапе обработки необходимо "отбраковать" зашумленные части сцен или сцены целиком. Традиционные алгоритмы, такие как Fmask неплохо работают, однако они требуют достаточно сложной и тонкой настройки параметров и порогов, зависят от "проблемной" частотной полосы TIRS (Termal Infra Red), а также плохо справляются с тонкими облаками верхних ярусов.

Мы разработали алгоритм распознавания облаков и теней, основанный на сверточной нейронной сети и позволяющий надежно классифицировать облака, тонкие облака, тени и чистые пиксели. Алгоритм работает без использования TIR-диапазона.

Основная идея алгоритма состоит в использовании как локального, так и глобального контекста для по-пиксельной классификации. Надо сказать, что львиная доля работ, связанных с классификацией изображений, в т.ч. известные соревнования ImageNet, занимается поиском объектов на изображении, а не пиксельной классификацией. Пиксельная классификация гораздо менее проработана и там еще есть куда двигаться.

Сеть была обучена на тестовом наборе из 12 размеченных сцен сельскохозяйственных районов и показала точность 95%, что на 5% точнее Fmask. В процессе разработки архитектуры и обучения нейронной сети мы открыли для себя большое число полезных лайфхаков, которыми поделимся с аудиторией.