| dc.contributor.author | Ганченко, Валентин Вячеславович | |
| dc.contributor.author | Дудкин, Александр Арсентьевич | |
| dc.coverage.spatial | Брест | ru_RU |
| dc.date.accessioned | 2020-04-17T07:14:49Z | |
| dc.date.available | 2020-04-17T07:14:49Z | |
| dc.date.issued | 2019 | |
| dc.identifier.citation | Ганченко, В. В. Семантическая сегментация в задачах детектирования пожаров по данным дистанционного зондирования Земли / В. В. Ганченко, А. А. Дудкин // Вестник Брестского государственного технического университета. Серия: Физика, математика, информатика. – 2019. – № 5. – С. 2–5 : ил. – Библиогр.: с. 5 (12 назв.). | ru_RU |
| dc.identifier.uri | https://rep.bstu.by/handle/data/4952 | |
| dc.description | GANCHENKO V. V., DOUDKIN A. A. Semantic segmentation in tasks of fire detection on data of remote sensing of the earth | ru_RU |
| dc.description.abstract | В данной работе рассматривается задача детектирования пожаров по данным дистанционного зондирования поверхности Земли
различного пространственного разрешения. В качестве основы детектирования используется семантическая сегментация, выполняемая с использованием сверточных нейронных сетей. Сравниваются
результаты работы двух архитектур нейронных сетей, построенных
на базе SegNet и U-Net. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БрГТУ | ru_RU |
| dc.subject | распознавание образов | ru_RU |
| dc.subject | опознание образов | ru_RU |
| dc.subject | pattern recognition | ru_RU |
| dc.title | Семантическая сегментация в задачах детектирования пожаров по данным дистанционного зондирования Земли | ru_RU |
| dc.type | Статья (Article) | ru_RU |
| dc.identifier.udc | 004.93'1 | ru_RU |
| dc.abstract.alternative | In this paper, we consider problem of detection of fires according to data of remote sensing of the Earth's surface of various spatial resolutions. As
a basis for detection, semantic segmentation is used. This segmentation approach is based on convolutional neural networks. The results of two neural
network architectures based on SegNet and U-Net are compared. | ru_RU |
