?
Разработка архитектуры классификатора для оценки состояния объектов инфраструктуры с применением нейронных сетей
В последние годы с развитием методов глубокого обучения и нейронных сетей особую актуальность приобретает их применение в задачах геопространственного анализа. Одной из ключевых задач этой области является оценка состояния городской инфраструктуры, включая классификацию зданий по их функциональному назначению (жилые, коммерческие, государственные, промышленные). Использование нейронных сетей позволяет существенно повысить скорость и точность анализа, выявляя проблемные зоны как отдельных улиц и районов, так и целых городов, что способствует принятию обоснованных решений для их улучшения. В данной работе предложена архитектура, объединяющая сбор панорамных изображений с онлайн-карт и их классификацию для анализа состояния районов по типу застройки. Проведены ключевые этапы исследования, включая сбор и разметку данных, выбор предобученных моделей, их адаптацию к задаче классификации и оценку точности работы классификатора. Для построения классификатора проведено сравнительное исследование предобученных моделей сверточных нейронных сетей, таких как ResNet-50v2 и VGG19. Обучение осуществлялось методом обратного распространения ошибки на специально созданном датасете, сформированном из открытых источников панорам городов. Дополнительно исследована возможность интеграции методов обработки естественного языка (NLP) и визуально-языковых моделей (VLM) для повышения точности классификации. Среди рассмотренных моделей VLM особое внимание уделено PaliGemma 2, демонстрирующей высокую эффективность в задачах мультидисциплинарного анализа. Представлены результаты работы классификатора на примере районов города, подтверждающие его практическую применимость и высокую точность оценки. Работа способствует дальнейшему развитию методов автоматизированного анализа городской инфраструктуры и подчеркивает перспективы использования современных нейронных архитектур в этой области.
В книге
