Review of machine learning methods for Big satellite Data classification

Abstract

Анотація. З появою у вільному доступі великих обсягів супутникових даних дедалі більшої актуальності набуває розвиток методів машинного навчання на підставі геопросторових даних, зокрема, супутникових. Розглянуто основні методи машинного навчання і проаналізовано особливості та результати їх за-стосування до класифікації земного покриву за супутниковими даними висо-кого розрізнення. Особливу увагу приділено глибинним архітектурам, зокрема згортковим нейронним мережам, що натепер є найбільш потужним і точним методом для розпізнавання візуальних образів. Визначено основні переваги методів глибинного навчання над традиційними підходами до задач класифі-кації, що використовувались протягом останніх десятиліть і ґрунтувались на експертних знаннях для виокремлення ознак із вхідних даних.Ключові слова: машинне навчання, глибинне навчання, згорткова нейронна мережа, класифікація великих обсягів даних. ОГЛЯД МЕТОДІВ МАШИННОГО НАВЧАННЯМашинним навчанням називається галузь комп'ютерних наук, яка вивчає методи навчання комп'ютеризованих систем на підставі даних без програ-мування їх поведінки [1]. Методи машинного навчання (machine-learning methods) відіграють важливу роль у багатьох аспектах сучасного суспільства: від веб-пошуку до фільтрації контенту в соціальних мережах. Системи на базі методів машинного навчання використовуються в системах машинного зору, для ідентифікації об'єктів на зображеннях, аналізу людської мови і текстів тощо [2,3].Традиційно розпізнавання образів (або їх класифікація) здійснювалось на основі інформаційних ознак. Отже, побудова систем розпізнавання обра-зів (pattern-recognition) або систем, в основу яких покладено методи машин-ного навчання, потребувала експертних знань для розроблення методів та правил виокремлення ознак (feature extraction). Виокремлення ознак -це перетворення початкових «сирих» даних (таких як значення піксела на зо-браженні) у придатне подання (вектор ознак), з якого система навчання (класифікатор) може виявити і класифікувати образи, що подаються на вхід. Такі методи машинного навчання обмежені в можливостях обробляти при-родні дані в початковому вигляді [4].Існуючі типи класифікаторів систематизовано за різними критеріями і їх короткі характеристики наведено в табл. 1 [5].