Сотрудниками лаборатории была спроектирована и обучена нейросетевая модель детекции деревьев, которая станет одним из этапов в пайплайне определения фитомассы и углерода по аэрофотоснимкам.
За основу была взята архитектура YOLOv4, к которой были добавлены дополнительная пред- и постобработка данных. В качестве предобработки набор снимков расширен за счет вырезания случайных фрагментов из исходных снимков; при помощи алгоритма кластеризации K-means рассчитаны размеры якорных рамок (anchor boxes), используемых в данной архитектуре; якорные рамки меньше определенного размера априорно определены нами как неподходящие, по причине того, что они соответствуют кустам, а не деревьям. В блоке постобработки были переработаны функции ошибки нейросети (loss function) и алгоритм non-maximum suppression, с целью минимизации появления одних ограничивающих прямоугольников внутри других.
Нейросеть была обучена на наборе аэрофотоснимков молодых зарастаний, сделанных на опытно-полевой станции Института фундаментальных проблем биологии РАН и затем вручную размеченных нашими сотрудниками. Всего было выделено 7710 деревьев на 102 снимках. Обученная модель мы сравнили с базовыми нейросетями архитектур YOLOv4 и YOLOv5, как предобученных на стандартном датасете распознавания изображений MS-COCO, так и нет. Наша модель существенно превзошла их результат по стандартной метрике mAP 0.5.
На следующем этапе работы предполагается ещё повысить точность детекции с помощью сквозного трекинга деревьев через ряд смежных снимков, а затем перейти от детекции к определению высот деревьев в зарастаниях.
