Details

Цель работы: оценка эффективности применения нейросетевой архитектуры трансформер для фильтрации спекл-шума на радиолокационных изображениях и сравнение её с другими методами. Для достижения данной цели поставлены следующие задачи: обзор существующих подходов для фильтрации мультипликативного шума на радиолокационных изображениях; анализ и сравнение методов фильтрации мультипликативного шума на базе нейросетевой архитектуры трансформер; обучение и тестирование фильтра мультипликативного шума на базе нейросетевой архитектуры трансформер; сравнение результатов фильтрации мультипликативного шума на базе архитектуры трансформер с другими подходами. В рамках исследования на специализированном наборе данных была обучена базовая нейросетевая модель фильтрации мультипликативного шума на радиолокационных изображениях, основанная на нейросетевой архитектуре трансформер. Впоследствии, работа модели была протестирована, оценена и сравнена с работой классических методов фильтрации по относительным и абсолютным метрикам качества. Использовались открытые образовательные ресурсы и программы поиска и анализа информации. Применено программное обеспечение: Python.

Goal of the work: assessing the effectiveness of the transformer neural network architecture for filtering speckle noise in radar images and comparing it with other methods. To achieve this goal, the following tasks were set: review of existing approaches to filtering multiplicative noise in radar images; analysis and comparison of multiplicative noise filtering methods based on the transformer neural network architecture; training and testing of a multiplicative noise filter based on the transformer neural network architecture; comparison of the results of filtering multiplicative noise based on the transformer architecture with other approaches. As part of the study, a basic neural network model for filtering multiplicative noise on radar images, based on the transformer neural network architecture, was trained on a specialized data set. Subsequently, the models performance was tested, evaluated, and compared with the performance of classical filtering methods based on relative and absolute quality metrics. Open educational resources and information search and analysis programs were used. The software used is Python.

• РЕФЕРАТ
• ABSTRACT
• ОГЛАВЛЕНИЕ
• СПИСОК АББРЕВИАТУР, СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
• ВВЕДЕНИЕ
• ГЛАВА 1. МУЛЬТИПЛИКАТИВНЫЙ ШУМ НА РЛИ И МЕТОДЫ ЕГО ФИЛЬТРАЦИИ
  • 1.1. Спекл-шум на РЛИ
  • 1.2. Фильтрация спекл-шума
  • 1.3. Классические методы фильтрации спекл-шума
  • 1.3.1. Классификация фильтров РЛИ классического типа
  • 1.3.2. Суммирование независимых РЛИ
  • 1.3.3. Глобальные методы
  • 1.3.4. Локальные методы
  • 1.4. Нейросетевые методы фильтрации спекл-шума
  • 1.4.1. Применение нейронных сетей для фильтрации спекл-шума
  • 1.4.2. СНС-фильтрация спекл-шума
  • 1.4.3. Нейросетевая архитектура трансформер
  • 1.5. Обзор современных моделей фильтрации спекл-шума на основе нейросетевой архитектуры трансформер
  • 1.6. Вывод
• ГЛАВА 2. ФИЛЬТРАЦИЯ СПЕКЛ-ШУМА С ИСПОЛЬЗОВАНИЕМ НЕЙРОСТЕТЕВОЙ АРХИТЕКТУРЫ ТРАНСФОРМЕР
  • 2.1. Описание алгоритма SAR-Trans
  • 2.2. Проблемы при фильтрации стандартно обученной модели SAR-Trans
  • 2.3. Обучение модели SAR-Trans на специальном наборе данных
  • 2.3.1. Особенности набора данных обучения
  • 2.3.2. Технические характеристики вычислительной платформы
  • 2.3.3. Оптимизация процесса обучения
  • 2.3.4. Проведение обучения
  • 2.4. Описание метрик оценки
  • 2.4.1. Категории используемых метрик оценки
  • 2.4.2. Относительные метрики
  • 2.4.3. Абсолютные метрики
  • 2.5. Вывод
• ГЛАВА 3. СРАВНИТЕЛЬНЫЙ АНАЛИЗ ОБУЧЕННОЙ МОДЕЛИ ФИЛЬТРАЦИИ СПЕКЛ-ШУМА НА РЛИ С ДРУГИМИ ПОДХОДАМИ
  • 3.1. Фильтрация спекл-шума при помощи фильтра анизотропной диффузии
  • 3.2. Фильтрация спекл-шума при помощи фильтра Ли
  • 3.3. Сравнительный анализ обученной модели с другими методами фильтрации спекл-шума
  • 3.3.1. Тестирование фильтров по относительным метрикам
  • 3.3.2. Тестирование фильтров по абсолютным метрикам
  • 3.4. Вывод
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ