Тонкая настройка AlexNet для классификации форм крыш в Узбекистане: подход с использован
DOI:
https://doi.org/10.71310/pcam.3_67.2025.12Ключевые слова:
классификация форм крыш, сверточные нейронные сети, трансферное обучение, AlexNet, спутниковые снимкиАннотация
В данной работе исследуется задача классификации форм крыш с использованием сверточных нейронных сетей (CNN), с особым вниманием к региональной адаптации с помощью переноса обучения. Первоначальное обучение архитектуры AlexNet проводится на общедоступном наборе данных Zenodo, содержащем спутниковые изображения плоских, двускатных и вальмовых крыш. Для устранения ограничений обобщающей способности в специфических географических контекстах создан пользовательский набор данных крыш Узбекистана, полученный из OpenStreetMap и тайлов высокого разрешения через API Mapbox Static Images. Точная настройка на этом наборе данных повышает точность классификации плоских, двускатных и вальмовых крыш, подтверждая эффективность трансферного обучения в смягчении доменного сдвига, вызванного архитектурными и экологическими различиями. Ин-теграция инструментов геопространственного анализа с открытым исходным кодом и трансферного обучения предоставляет воспроизводимую основу для устранения географической предвзятости в задачах классификации форм крыш, адаптируемую для других недостаточно представленных регионов.
Библиографические ссылки
Krizhevsky A., Sutskever I., Hinton G.E. 2012. Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25,
Roof shape classification dataset https://zenodo.org/record/3986721,
Roof shapes of Uzbekistan dataset, https://drive.google.com/file/d/1jccNLjz3Tb3oMrrgb_HGHl_TIJprAq72/view?usp=sharing, OSM
OpenStreetMap contributors. Planet dump retrieved from https://planet.openstreetmap.org, n.d.
OpenStreetMap contributors 2007. Planet dump retrieved from https://planet.openstreetmap.org. https://www.openstreetmap.org
Chollet F. 2017. Deep Learning with Python. Manning Publications. Greenwich.
Simonyan K. and Zisserman A. 2015. Very deep convolutional networks for large-scale image recognition. volume arXiv:1409.1556, https://arxiv.org/abs/1409.1556
Yuldashev S. 2025. Roof Shape Classification in Uzbekistan Using Fine-tuned AlexNet. Google Colab Notebook, https://colab.research.google.com/drive/1tlQBzS7ALSqkhe12q8yYW_1AGHmUTSla?usp=sharing
He K., Zhang X., Ren S., Sun J. 2016. Deep residual learning for image recognition. Proc. IEEE Conf. Comput. Vis. Pattern Recognit. – P. 70–778.
Pritt M., Chern G. 2020. Satellite image classification with deep learning. arXiv preprint,
Simonyan K. and Zisserman A. 2015. Very deep convolutional networks for large-scale image recognition. arXiv preprint. arXiv:1409.1556,
He K., Zhang X., Ren S. and Sun J. 2016. Deep residual learning for image recognition. In Proc. IEEE Conf. Comput. Vis. Pattern Recognit., – P. 770–778.
Chroni A., Vasilakos C., Christaki M. and Soulakellis N. 2024. Fusing multispectral and lidar data for cnn-based semantic segmentation in semi-arid mediterranean environments. Remote Sensing, 16(15): 2729,
Chollet 2017. Deep Learning with Python. Manning Publications, Greenwich, CT,
Ni J., Chen J., Wu Y., Chen Z., Liang M. 2022. Method to determine the centroid of non-homogeneous polygons based on suspension theory. ISPRS Int. J. Geo-Inf., 11(4): 233,
Zhao Y., Li X., Wang Z., Chen H. and Liu J. 2025. Deep-learning-based evaluation of rooftop photovoltaic deployment in tianjin, china. ISPRS International Journal of Geo-Information, 14(3):101,
Jie Gu, Zhen Xie, Jiawei Zhang, and Xiaohong He. 2024. Advances in rapid damage identification methods for post-disaster regional buildings based on remote sensing images: A survey. Buildings, 14(4): 898,
Haoyu Hao, Sreeharsha Baireddy, Ethan R. Bartusiak, Robert T. Collins, and Michael K. Hinders. 2020. An attention-based system for damage assessment using satellite imagery. arXiv preprint arXiv:2004.06643
Jeremy D. Castagno and Ella M. Atkins. 2018. Roof shape classification from lidar and satellite image data. Sensors, 18(11):3960,
John E. Vargas-Muñoz et al. 2019. Correcting rural building annotations in openstreetmap using convolutional neural networks. arXiv preprint arXiv:1901.08190,
Shuochuan Meng, Mohammad Hesam Soleimani-Babakamali, and Ertugrul Taciroglu. 2023. Au- tomatic roof type classification through machine learning for regional wind risk assessment. arXiv preprint arXiv:2305.17315,
He K., Zhang X., Ren S., and J. Sun. 2016. Deep residual learning for image recognition. In Proc. IEEE Conf. Comput. Vis. Pattern Recognit., – P. 770–778.
Robins Kaplan LLP. 2023. Ai’s impact on property insurance cov- erage. https://www.robinskaplan.com/newsroom/insights/ ais-impact-on-property-insurancecoverage, Accessed: 2025-05-24.
Yuldashev 2025. Roof shape classification in Uzbekistan using fine-tuned alexnet Google Colab Notebook.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2025 С.У. Юлдашев
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
