Разработка алгоритма классификации облаков трехмерных точек, полученных фотограмметрическим методом тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Василенко Дмитрий Владимирович

• Василенко Дмитрий Владимирович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Василенко Дмитрий Владимирович

Введение

Глава 1 История развития машинного зрения

1.1. 1970е годы. Появление машинного зрения. Модель Марра

1.2. 1980е годы. Развитие низкоуровневых алгоритмов

1.3. 1990е годы. Калибровка камер. Модели освещения

1.4. 2000е годы. Полноценная трехмерная реконструкция. Нейронные сети

1.5. 2010е годы. Применение машинного обучения в задачах восстановления сцены. Классификация облаков точек

1.6. Выводы по главе

Глава 2 Подходы к классификации облаков точек

2.1. Отличия от обработки изображений

2.2. Вспомогательные структуры для определения свертки для облаков точек

2.3. Многослойный перцептрон

2.4. Геометрические признаки. Алгоритм обработки крупномасштабных облаков точек

2.5. Определение свертки дополнительными точками

2.6. Алгоритм применения ИНС

2.7. Выбор базового алгоритма

2.8. Выводы по главе

Глава 3 Разработка алгоритма классификации для фотограмметрических данных

3.1. Исходные результаты

3.2. Разработанный модуль

3.3. Изменения в алгоритме применения ИНС

3.4. Влияние признака абсолютной высоты

3.5. Аугментация

3.6. Балансировка классов

3.7. Постобработка

3.8. Выводы по главе

Глава 4 Анализ полученных результатов

4.1. Исходные данные

4.2. Оценка универсальной модели

4.3. Выводы по главе

Заключение

Список сокращений и условных обозначений

Список работ, опубликованных автором по теме диссертации

Свидетельства о регистрации ПО

Список литературы

Список иллюстративного материала

ПРИЛОЖЕНИЕ 1 Метрики качества классификации при добавлении различных модификаций

ПРИЛОЖЕНИЕ 2 Свидетельство о государственной регистрации программы для ЭВМ

ПРИЛОЖЕНИЕ 3 Акт о внедрении

Введение диссертации (часть автореферата) на тему «Разработка алгоритма классификации облаков трехмерных точек, полученных фотограмметрическим методом»

Введение

Актуальность. Мировая экономика переживает эпоху трансформации, а процессы глобализации создают новые и быстро меняющиеся типы городского ландшафта в высоко урбанизированных районах мира.

Современные технологии градостроительства кардинальным образом меняют облик жилых кварталов, делая их более комфортными, безопасными и экологичными. Промышленные роботы, умные системы управления логистикой и энергоэффективные технологии — всё это стимулирует появление жилых районов и транспортных магистралей будущего уже сегодня. А актуальная повестка устойчивого развития подтверждает необходимость создания в городе зелёной инфраструктуры и организации застройки таким образом, чтобы поддерживать санитарно-эпидемиологические нормы инсоляции, свободную циркуляцию воздуха и тепла в соответствии с локальной розой ветров. Важное место в инструментарии архитектурного планирования городов, зданий, парков и транспортных магистралей традиционно занимают цифровые 3D-модели.

Среди актуальных примеров можно отметить построение фотограмметрической модели города Москва по материалам беспилотных воздушных судов (БВС) силами ГБУ «Мосгоргеотрест», а также 3D-модели Нижнего Новгорода, выполненной Геосканом по заказу НКО «Горький Тех». Точность, детальность и полнота таких моделей напрямую зависит от исходных данных и методов их обработки.

Долгое время цифровые 3D-модели местности создавались методами наземной топографической съемки и стереофотограмметрии на основе материалов космической или аэрофотосъемки. Стереофотограмметрическая обработка данных дистанционного зондирования Земли позволяла формировать два основных типа пространственных продуктов. Первый тип включает растровые матрицы высот, автоматически генерируемые на основе стереопар изображений. Эти матрицы

представляют собой цифровые модели поверхности (ЦМП) и цифровые модели рельефа (ЦМР), дискретизированные с шагом, соответствующим пространственному разрешению исходных снимков. Второй тип — векторные 3D-модели объектов, получаемые в результате автоматического создания текстурированных трехмерных триангуляционных сетей (3D TIN) или путем полуавтоматической векторизации в стереорежиме.

Типичным примером последних можно считать трёхмерные модели городов, создаваемые британской компанией Zmapping. Используя фотограмметрические возможности PHOTOMOD, а также инструментарий классических систем автоматизированного проектирования (САПР): AutoCAD, SketchUp, - Zmapping смогла выстроить уникальную технологию 3D-моделирования, позиционируя свои результаты как наиболее детальные и высокоточные. Заявляемые разработчиками области применения таких моделей достаточно разнообразны: высотный анализ, оценка видимости и зон покрытия сотовой связью, фотомонтаж и визуализация, анализ инсоляции зданий и территорий, моделирование организации дорожного движения, интеграция с ГИС, прототипирование объектов, планирование мероприятий в чрезвычайных ситуациях и расследование дорожно-транспортных происшествий.

Лучшие образцы данных аэрофотосъёмки, включая изображения с беспилотных воздушных судов (БВС), получают с размером пиксела на уровне первых единиц сантиметров. Съемка Земли из космоса с точки зрения детализации изображений по объективным причинам, в первую очередь из-за высоты полета, уступает аэрофотосъёмке. Лучшие современные образцы данных космической съемки характеризуются пространственным разрешением оригинальных снимков на уровне 28-30 см/пиксель (спутники Cartosat-3, Superview Neo, WorldView-3 и другие).

Для визуальной оптимизации снимков компания Maxar - оператор спутников WorldView - использует технологию HD (High-Definition). Продукты Maxar 15 см HD создаются на основе оригинальных данных с разрешением 30 см, в результате

постобработки формально имеют пространственное разрешение 15 см, но фактически улучшаются не путём повышения разрешения, а путем повышения детализации снимков за счет подчёркивания краёв объектов, борьбы с зашумлённостью и пикселизацией.

С появлением технологии воздушного лазерного сканирования удалось, во-первых, ускорить построение 3D-моделей местности в виде плотных нерегулярных облаков точек, во-вторых, увеличить точность измерения их высот и плановых координат, в-третьих, зафиксировать в точках не только высоту и координаты, но и спектральную составляющую объектов, и в-четвёртых, создать условия для быстрой классификации точек отражения и их произвольной фильтрации в зависимости от типа объектов.

Обратной стороной высокой точности и нерегулярного расположения точек является недостаточная определённость геометрической формы объектов, попадающих в зону сканирования, а также высокие требования к аппаратной части и техническим средствам обработки.

По общему мнению академического сообщества интеграция фотограмметрического подхода и технологии воздушной лазерной съемки позволяет компенсировать недостатки обоих методов и усилить их уникальные преимущества для решения градостроительных задач [1,2].

Результатом такой интеграции, реализованным в интерфейсе ведущих мировых систем цифровой фотограмметрии (PHOTOMOD, INPHO, ContextCapture, Agisoft Metashape), стал специфический тип выходного продукта -фотограмметрические облака точек. Фотограмметрические облака точек представляют собой облака точек, полученные путем фотограмметрической обработки стереопар аэро- и космических снимков с автоматическим присвоением точкам спектральных характеристик соответствующих изображений.

Степень разработанности темы. Разработано не менее 10 различных методов машинного обучения, которые используются для решения задачи

классификации облаков точек, полученных в результате наземного лазерного сканирования. К отличительным особенностям таких данных можно отнести высокую плотность и подробность, высокую точность местоположения, малое количество шумов. При переходе к фотограмметрическим данным, полученным по результатам аэро- или космической съемки их качество снижается. На данный момент для результатов фотограмметрических облаков точек не представлены исследования применимости обученных моделей за пределами обучающей выборки. В большинстве работ для оценки качества результата классификации приводятся метрики, полученные по проверочной, а не тестовой выборке, таким образом в работах приводится оценка точности на основе внутренней сходимости без независимого контроля результатов классификации, что не позволяет определить область применимости и перенести результаты на прочие данные.

Цель работы. Разработка алгоритма классификации облаков точек, полученных фотограмметрическими методами по аэро- и космическим снимкам, обеспечивающего существенное повышение качества результатов.

Для достижения поставленной цели решались следующие задачи:

• Выбор подходящей искусственной нейронной сети (ИНС) для решения задачи классификации облаков точек.

• Адаптация выбранной ИНС к задаче классификации фотограмметрических крупномасштабных облаков точек с разрешением от 3 до 15 см.

• Разработка методов, повышающих качество классификации фотограмметрических данных.

• Реализация разработанных методов в виде кроссплатформенного программного модуля, обеспечивающего утилизацию ресурсов вычислительной системы.

• Обучение и тестирование нейросетевых моделей на различных наборах фотограмметрических данных.

Научная новизна.

1. Проведен анализ существующих методов классификации фотограмметрических облаков точек, полученных по результатам аэро- или космической съемки и выявлены основные недостатки и ограничения.

2. Разработаны методы обхода облаков точек для этапа проверки ИНС и этапа классификации.

3. Разработан метод генерации реалистичной геометрии облака точек на основе существующей.

4. Разработан метод генерации реалистичных цветовых признаков на основе существующих.

5. Разработан метод постобработки классифицированных данных для устранения ошибок.

Теоретическая значимость. Определены причины возникновения ошибок классификации, предложены и обоснованы методы повышения качества классификации. Определены основные требования к методам обхода и аугментации (генерирования новых реалистичных данных на основе существующих) входных данных. Обосновано использование своих индивидуальных методов обхода облаков точек при проверке ИНС и классификации. Выведена формула расчета требуемых вычислительных ресурсов для обработки фрагмента данных по его характеристикам.

Практическая значимость. Разработанный алгоритм внедрен в пакет поставки цифровой фотограмметрической системы «РНОТОМОБ» в виде модуля. Обученная модель входит в состав данного модуля и доступна для пользователей системы. Экспериментально подтверждено повышение значения метрики качества классификации в среднем на 20-50% за счет использования разработанных методов, что повышает производительность труда при дальнейшей обработке данных.

Достоверность результатов. Результат подтверждается

воспроизводимостью проведенных экспериментов и верифицирован независимым контролем (операторами с опытом работы в области фотограмметрии более 10 лет).

Методология и методы исследования. Задача автоматической многоклассовой классификации облаков точек решается следующими методами:

• Разделение входных данных на кубические ячейки.

• Генерализация облака точек по регулярной пространственной сетке с сохранением барицентров.

• Генерализация облака точек по регулярной пространственной сетке с сохранением центров ячеек.

• Параллелизация обработки данных с использованием нескольких ядер центрального процессора.

• Распознавание образов при помощи ИНС.

• Оптимизация параметров нейронной сети стохастическим градиентным спуском.

• Аугментация признаков точек

Основные положения, выносимые на защиту.

• Обученная модель для классификации городской местности с разрешением 5 см.

• Метод аугментации геометрических признаков точек.

• Метод аугментации цветовых признаков точек.

• Компонента модуля обучения автоматического классификатора облаков точек.

• Компонента модуля автоматической классификации облаков точек.

• Метод обхода облаков точек на этапе проверки ИНС.

• Метод обхода облаков точек на этапе классификации.

Личный вклад автора. Все полученные результаты диссертации и их обработка были проведены лично автором, либо при его непосредственном участии. Автор участвовал в разработке методов решения поставленных задач и в обсуждении полученных результатов.

Апробация работы. Основные результаты докладывались и обсуждались на следующих российских конференциях:

1. XXI КОНФЕРЕНЦИЯ МОЛОДЫХ УЧЕНЫХ «Фундаментальные и прикладные космические исследования». // Классификация облако точек, полученных с ДЗЗ на примере БПЛА // ИКИ РАН — М.: ИКИ РАН, 10 -12 апреля 2024. https://kmu.cosmos.ru/

2. Студенческая неделя науки СНН-2024 // Опыт применения нейросетевой обработки фотограмметрических облаков точек для классификации объектов городской инфраструктуры // МИИГАиК — М.: МИИГАиК. 8 - 12 апреля 2024. https://www.miigaik.ru/student-research-and-development-center/studencheskaya-nedelya-nauki-snn-2024/

3. 66-я Всероссийская научная конференция МФТИ. // Разработка технологической цепочки классификации облаков точек // МФТИ — М.: МФТИ, 1 - 12 апреля 2024. https://conf.mipt.ru/

4. III Совместная международная научно-техническая конференция «ЦИФРОВАЯ РЕАЛЬНОСТЬ: космические и пространственные данные, технологии обработки»; Василенко, А.Э. Зубарев, А.Ю. Сечин. Использование нейросетей при фотограмметрической обработке облака точек в PHOTOMOD; г. Сочи; 16-18 октября 2023; https://conf.racurs.ru/conf2023/

Публикации. Материалы диссертации опубликованы в трех печатных работах, из них две в рецензируемых периодических изданиях, входящих в перечень ВАК при Министерстве науки и высшего образования Российской Федерации, также входящих в категорию К1 собственного перечня МФТИ.

Получено свидетельство о регистрации программы для ЭВМ «Модуль нейросетевой обработки лидарных данных».

Структура и объем диссертации. Диссертация состоит из введения, четырех глав и заключения. Полный объём диссертации составляет 127 страниц, включая 51 рисунок, 4 таблицы и 3 приложения. Список литературы содержит 91 наименование.

Первая глава освещает развитие дисциплины машинного зрения, изучающей извлечение полезной информации из изображений, начиная от ее появления. В главе систематизированы базовые принципы и цели машинного зрения, представлены ключевые этапы его развития в исторической перспективе, обоснована научная и практическая значимость данного исследования.

Вторая глава фокусируется на анализе методов классификации облаков точек. Рассмотрены фундаментальные исследования в области классификации облаков точек, выделены общие архитектурные подходы и различия между методами, обозначены перспективные векторы развития и актуальные тенденции в научных работах.

В третьей главе исследуется возможность применения базового алгоритма для классификации фотограмметрических облаков точек, построенных по данным аэрофотосъемки. Выявлены его недостатки. Разработаны теоретически обоснованные методики коррекции выявленных недостатков, дополненные количественными экспериментальными результатами, подтверждающими правильность выбранных подходов.

В четвертой главе приведена практическая оценка разработанного алгоритма применительно к данным лазерного сканирования и к результатам фотограмметрической обработки данных космической съемки.

12 Глава 1

История развития машинного зрения

Машинное зрение - это междисциплинарная область, которая занимается извлечением высокоуровневой информации из одного или серии изображений. Так как данная область является междисциплинарной, ее задача имеет двойственный характер. С биологической точки зрения задачу машинного зрения можно сформулировать как моделирование зрительной системы человека, а с инженерной

- как разработку автономных систем, выполняющих функции зрительной системы человека [3]. Т.е. главная цель в биологическом подходе - максимально точно воссоздать биологическое зрение, а в инженерном - превзойти его.

Машинное зрение включает методы получения, обработки, анализа и понимания цифровых изображений. В данном контексте понимание означает преобразование визуальных изображений (вход сетчатки глаза) в описания мира, которые имеют смысл для мыслительных процессов. Область применения машинного зрения активно разрастается в связи с распространением вычислительной техники, а также фото- и видеокамер. На данный момент оно применяется в трехмерном моделировании объектов, картографии, медицине, археологии, строительстве, криминалистике, киноиндустрии и т.д.

Одной из основных проблем машинного зрения заключается в том, что цель

- получение описания трехмерной сцены реального мира - нужно достигнуть путем анализа двумерных цифровых изображений. Классической задачей машинного зрения является восстановление сцены - получение цифрового описания трехмерной модели по набору ее изображений. На примере задачи восстановления сцены рассмотрим принципиальные отличия машинного зрения от задач компьютерных наук.

Данная задача является некорректной, т.е. не имеет единственного устойчивого математического решения. Например, на рисунке 1.1 показана, сцена,

которая не соответствует реальному объекту (квадрату), но полностью соответствует набору из 4 фотографий (получена при помощи алгоритма Space Carving [4]). Задача восстановления сцены формулируется как построение наиболее вероятной модели объекта, соответствующей заданному набору фотографий. Таким образом, для восстановления сцены нужно найти решение, удовлетворяющее двум критериям:

• Соответствие входным данным

• Соответствие реальному миру

Рисунок 1.1 - Некорректность задачи восстановления сцены

Появление второго критерия означает, что для оценки полученных результатов должны использоваться сведения об объекте, не относящиеся ко входным данным. В качестве таких сведений чаще всего выступает трехмерная модель объекта, полученная при помощи лазерного сканирования. Также можно использовать и другие сведения, например, дополнительные изображения. Если бы для проверки использовались только входные данные, можно было бы найти тривиальное решение, изображенное на рисунке 1.2, в котором области видимости камер не пересекаются. Однако такое решение вряд ли будет соответствовать реальному объекту, из-за чего в алгоритм было добавлено ограничение области поиска в виде темного квадрата, благодаря чему была получена модель, более

похожая на снимаемый объект (рисунок 1.1). Важно отметить, что человек довольно легко распознает квадрат по данным четырем снимкам, т.к. квадратные объекты встречаются намного чаще, чем объекты, изображенные на рисунках 1.1 и 1.2.

Рисунок 1 .2 - Тривиальное решение задачи восстановления сцены

Таким образом, на примере задачи восстановления сцены мы убедились, что машинное зрение выходит за рамки компьютерных наук и для решения его задач требуется огромное количество информации об объектах реального мира.

1.1. 1970е годы. Появление машинного зрения. Модель Марра.

Отцом машинного зрения принято считать Ларри Робертса, сотрудника Массачусетского технологического института, который в своей докторской диссертации (1963) исследовал возможность извлечения трехмерной геометрической информации из набора двумерных проекций простых геометрических фигур (полиэдров) [5]. Это спровоцировало появление значительного количества научных работ в области машинного зрения в контексте полиэдров и других топологических структур, составленных из линий [6].

В 1966 году Сеймур Паперт организовал в Массачусетском технологическом институте «Летний проект зрения». На этом проекте он поручил студенту

Джеральду Сассману руководить небольшой группой, разрабатывающей алгоритм сегментации фона и переднего плана изображений с целью извлечения из них непересекающихся объектов [7]. Задача, остающаяся нерешенной и по сей день, была назначена темой студенческого проекта.

В 1973 Джеральд Агин и Томас Бинфорд разработали альтернативный подход к трехмерному моделированию с использования обобщенных цилиндров, под которыми понимались различные тела вращения. Впоследствии обобщенные цилиндры стали объединять в кинематические цепи (рисунок 1.3) для создания более сложных моделей.

Для того, чтобы результаты исследований в области восстановления трехмерных моделей геометрических примитивов по эскизам проекций можно было применять на практике, нужно было разработать способ получения таких эскизов. Поскольку самым распространенным средством получения визуальной информации являлась фотокамера, одним из наиболее актуальных направлений того времени стали методы получения эскизов из реальных изображений. В 1981 году в своей работе Гарри Барроу и Джей Тененбаум проанализировали эффекты изменения интенсивности объекта на изображении, объяснив его ориентациями поверхностей и затенениями [8]. В этом же году опубликована работа Бертольда Хорна и Брайана Шунка, посвященная анализу оптического потока с целью установления пространственных связей между изображениями [9].

В 1982 году Дэвид Марр подытожил достижения своих предшественников, предложив свою модель процесса построения трехмерной модели (рисунок 1.4). Он состоял из трех основных этапов:

1. Применение низкоуровневых алгоритмов обработки изображений для получения «первичного эскиза», который представлял собой признаки, выделенные на изображении: границы, особые точки, сегменты и т.д.

2. Получение 2.5D эскиза с использованием бинокулярной стереосистемы из первичных эскизов

3. Получение 3D модели при помощи высокоуровневых методов (структурный анализ, априорные знания)

HUMAN

Рисунок 1.3 - Кинематическая цепь

Также Марр предложил три уровнях описания визуальной системы обработки информации:

• Теория вычислений: какова цель вычисления и каковы известные и возможные ограничения?

• Представления и алгоритмы: как представлена входная, выходная и промежуточная информация и какие алгоритмы используются для вычисления желаемого результата?

• Аппаратная реализация: как представления и алгоритмы отображены на аппаратном обеспечении, например, системе биологического зрения или специализированной электрической схеме? И наоборот, как использовать аппаратные особенности для определения выбора представления и алгоритма? Учитывая широкое использование графических чипов (GPU) и многоядерных архитектур, этот вопрос актуален и сейчас [10].

Эта работа является, возможно, самой знаковой за всю историю машинного зрения. Большинство современных алгоритмов соответствует данной модели.

Рисунок 1.4 - Модель Марра 1.2. 1980е годы. Развитие низкоуровневых алгоритмов.

Декомпозиция решаемых задач, выраженная в виде модели Марра, позволила ученым выполнять исследования более системно, фокусируясь на конкретных этапах.

В течение следующих десяти лет активно развивались низкоуровневые алгоритмы, необходимые для качественной реализации этапов модели Марра. К примеру, в 1986 году был разработан алгоритм детектора краев Джона Кэнни. В 1987 Касс, Уиткин и Терзопулос разработали метод активных контуров для выделения областей на изображениях, а также трехмерную физическую модель для улучшения решения третьего этапа реконструкции в модели Марра.

Важным достижением этого времени является работа братьев Джеман 1984 года [11], в которой впервые исследована возможность применения дискретного случайного поля Маркова (рисунок 1.5) в обработке изображений, что позволило использовать более совершенные глобальные алгоритмы поиска и оптимизации. Они используются для регуляризации изображения путем минимизации функционала, рассчитываемого по формуле 1.1.

Р.Ч

р

<1р - регуляризуемый признак (чаще всего глубина) пикселя р, ^ - пиксель из окрестности р (4 либо 8 соседних пикселей), Я - коэффициент сглаживания, - унарный потенциал, - потенциал взаимодействия.

Рисунок 1.5 - Случайное поле Маркова

В 1985 Томасо Поджио предложил распараллеленный вариант регуляризации случайного поля, а в 1988 для той же задачи был разработан фильтр Калмана [12-14].

Параллельно с этим стали активно развиваться методы фотометрического стерео, т.е. получения формы объекта из одного изображения на основе анализа изменения освещенности. В 1986 была опубликована работа Бертольда Хорна [15], в которой описаны различные подходы к решению данной задачи.

1.3. 1990е годы. Калибровка камер. Модели освещения.

Прогресс в области низкоуровневых алгоритмов сделал возможным создание полноценного алгоритма трехмерной реконструкции. Однако, несмотря на то, что алгоритмы для извлечения информации из снимков были развиты до приемлемого

уровня, оставалась нерешенной другая проблема - калибровка камер, т.е. определение положения и углов поворота камеры в момент создания снимков.

В 1992 Оливье Фожер исследовал возможность построения трехмерной модели по некалиброванному набору снимков. В своей работе [16] он назвал результаты недостаточно качественными для практического применения и заявил, что для повышения качества необходимо исследовать возможность калибровки камер при помощи снимков, т.к. известные на тот момент методы калибровки требовали наличия специальных меток, что было трудно достижимо в естественных условиях. В том же году Томази и Канадэ исследовали возможность калибровки камер путем факторизации. Они нашли эффективное решение задач, для которых приемлема ортогональная аппроксимации камеры. В 1999 Триггс и Маклаухлан разработали аналогичный метод, названный Bundle adjustment, отличающийся использованием глобальной оптимизации, за счет чего было убрано ограничение на ортогональность камер [17]. Этот алгоритм продолжает использоваться и в современных программных комплексах.

В 1999 году Зайц и Дайер разработали один из первых алгоритмов получения трехмерной модели из реальных изображений. Они использовали воксельное представление с поочередной проверкой каждого вокселя на соответствие цвета между изображениями (рисунок 1.6) [18] .

Рисунок 1.6 - Результат работы алгоритма Voxel coloring

Также важным достижением является алгоритм SIFT [19] разработанный Дэвидом Лоу в том же году, который служит для выявления попарных соответствий между парами элементов различных изображений, что позволяет выполнять калибровку без использования специальных меток. Пример результатов работы алгоритма приведен на рисунке 1.7. При этом генерируется достаточно высокое количество соответствий, намного превышающее количество меток, которые ранее использовались для калибровки. Так как в процессе калибровки необходимо рассчитывать трехмерные координаты таких соответствий, побочным продуктом работы алгоритмов калибровки, использующих SIFT, является разреженное облако точек - набор трехмерных вершин с записанными в них цветами, который является начальным приближением модели сцены (рисунок 1.8).

Рисунок 1.7 - Результат работы алгоритма SIFT

Рисунок 1.8 - Изображение и разреженное облако точек сцены

Активное развитие компьютерное графики в данный период также оказало значительное влияние на область машинного зрения. Ранние модели затенения игнорировали большинство оптических процессов или рассчитывали их с грубым приближением. К примеру, согласно одной из наиболее распространенных моделей того периода - модели Фонга [20], освещение состояло из трех компонентов (рисунок 1.9):

Список литературы диссертационного исследования кандидат наук Василенко Дмитрий Владимирович, 2026 год

Список литературы

1. Schenk T. FUSION OF LIDAR DATA AND AERIAL IMAGERY FOR A MORE COMPLETE SURFACE DESCRIPTION. 2002.

2. Tao G., Yasuoka Y. COMBINING HIGH RESOLUTION SATELLITE IMAGERY AND AIRBORNE LASER SCANNING DATA FOR GENERATING BARELAND DEM IN URBAN AREAS. 2002.

3. Huang T. Computer Vision: Evolution And Promise. CERN, 1996.

4. Kutulakos K.N., Seitz S.M. A theory of shape by space carving // Proceedings of the Seventh IEEE International Conference on Computer Vision. Kerkyra, Greece: IEEE, 1999. C. 307-314 t.1.

5. Roberts L. Machine Perception of Three-Dimensional Solids. 1963.

6. Nalwa V.S. A guided tour of computer vision. 1993.

7. Crevier D. AI: the tumultuous history of the search for artificial intelligence. New York : BasicBooks, 1993. 406 c.

8. Barrow H.G., Tenenbaum J.M. Computational vision // Proc. IEEE. 1981. T. 69, №

5. C. 572-595.

9. Horn B.K., Schunck B.G. Determining Optical Flow / Washington, D.C., 1981. C. 319-331.

10. Marr D. Vision: A Computational Investigation into the Human Representation and Processing of Visual Information. 1983.

11. Geman S., Geman D. Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images // IEEE Trans. Pattern Anal. Mach. Intell. 1984. T. PAMI-6, №

6. C. 721-741.

12. Szeliski R. et al. A Comparative Study of Energy Minimization Methods for Markov Random Fields with Smoothness-Based Priors // IEEE Trans. Pattern Anal. Mach. Intell. 2008. T. 30, № 6. C. 1068-1080.

13. Kappes J.H. et al. A Comparative Study of Modern Inference Techniques for Discrete Energy Minimization Problems // 2013 IEEE Conference on Computer Vision and Pattern Recognition. 2013. C. 1328-1335.

14. Kolmogorov V., Zabin R. What energy functions can be minimized via graph cuts? // IEEE Trans. Pattern Anal. Mach. Intell. 2004. T. 26, № 2. C. 147-159.

15. Horn B.K.P., Brooks M.J. The variational approach to shape from shading // Comput. Vis. Graph. Image Process. 1986. T. 33, № 2. C. 174-208.

16. Faugeras O.D. What can be seen in three dimensions with an uncalibrated stereo rig? / Springer Berlin Heidelberg, 1992. T. 588. C. 563-578.

17. Triggs B. et al. Bundle Adjustment — A Modern Synthesis // Vision Algorithms: Theory and Practice / Springer, 2000. C. 298-372.

18. Seitz S.M., Dyer C.R. Photorealistic Scene Reconstruction by Voxel Coloring // Int. J. Comput. Vis. 1999. T. 35, № 2. C. 151-173.

19. Lowe D.G. Distinctive Image Features from Scale-Invariant Keypoints // Int. J. Comput. Vis. 2004. T. 60, № 2. C. 91-110.

20. Phong B.T. Illumination for computer generated pictures // Commun. ACM. 1975.

21. Pharr M., Humphreys G. Physically Based Rendering: From Theory to Implementation. 2004.

22. Szeliski R. Computer Vision: Algorithms and Applications. Cham: Springer International Publishing, 2022.

23. Hirschmuller H., Scharstein D. Evaluation of Cost Functions for Stereo Matching // 2007 IEEE Conference on Computer Vision and Pattern Recognition. 2007. С. 1-8.

24. Hirschmuller H. Accurate and Efficient Stereo Processing by Semi-Global Matching and Mutual Information // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). San Diego, CA, USA: IEEE, 2005. Т. 2. С. 807-814.

25. Gehrig S.K., Eberli F., Meyer T. A Real-Time Low-Power Stereo Vision Engine Using Semi-Global Matching // Computer Vision Systems / Springer, 2009. С. 134143.

26. Furukawa Y., Ponce J. Accurate, Dense, and Robust Multi-View Stereopsis // 2007 IEEE Conf. Comput. Vis. Pattern Recognit. Minneapolis, MN, USA: IEEE, 2007. С. 1-8.

27. Langguth F. et al. Shading-Aware Multi-view Stereo // Computer Vision - ECCV 2016 / Springer International Publishing, 2016. С. 469-485.

28. Progressive Prioritized Multi-view Stereo | IEEE Conference Publication | IEEE Xplore [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/7780722 (дата обращения: 22.05.2025).

29. Fuhrmann S., Langguth F., Goesele M. MVE - A Multi-View Reconstruction Environment. The Eurographics Association, 2014.

30. Борис Сергеевич Горячкин, Марат Ахмедович Китов. Компьютерное зрение // E-Scio. 2020. № 9 (48). С. 317-345.

31. Shotton J. et al. Real-time human pose recognition in parts from single depth images // Commun. ACM. 2013. Т. 56, № 1. С. 116-124.

32. Yao Y. et al. MVSNet: Depth Inference for Unstructured Multi-view Stereo / Springer International Publishing, 2018. Т. 11212. С. 785-801.

33. Zhang J. et al. Visibility-aware Multi-view Stereo Network // ArXiv. 2020.

34. Wang F. et al. PatchmatchNet: Learned Multi-View Patchmatch Stereo // 2021 IEEECVF Conf. Comput. Vis. Pattern Recognit. CVPR. Nashville, TN, USA: IEEE, 2021. С. 14189-14198.

35. Li Z. et al. Learning the Depths of Moving People by Watching Frozen People // 2019 IEEECVF Conf. Comput. Vis. Pattern Recognit. CVPR. Long Beach, CA, USA: IEEE, 2019. С. 4516-4525.

36. Charles R.Q. et al. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation // 2017 IEEE Conf. Comput. Vis. Pattern Recognit. CVPR. Honolulu, HI: IEEE, 2017. С. 77-85.

37. Desai A. et al. PointResNet: Residual Network for 3D Point Cloud Segmentation and Classification. arXiv, 2022.

38. Hu Q. et al. RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds // 2020 IEEECVF Conf. Comput. Vis. Pattern Recognit. CVPR. Seattle, WA, USA: IEEE, 2020. С. 11105-11114.

39. Hu Q. et al. Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset, Benchmarks and Challenges // 2021 IEEECVF Conf. Comput. Vis. Pattern Recognit. CVPR. Nashville, TN, USA: IEEE, 2021. С. 4975-4985.

40. Jhaldiyal A., Chaudhary N. Semantic segmentation of 3D LiDAR data using deep learning: a review of projection-based methods // Appl. Intell. 2023. Т. 53, № 6. С. 6844-6855.

41. Qi C. et al. PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space // ArXiv. 2017.

42. Tang L. et al. Contrastive Boundary Learning for Point Cloud Segmentation // 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2022. С. 8479-8489.

43. Thomas H. et al. KPConv: Flexible and Deformable Convolution for Point Clouds // 2019 IEEECVF Int. Conf. Comput. Vis. ICCV. Seoul, Korea (South): IEEE, 2019. С. 6410-6419.

44. Varney N., Asari V.K., Graehling Q. DALES: A Large-scale Aerial LiDAR Data Set for Semantic Segmentation // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2020. С. 717-726.

45. Zhang J. et al. A Review of Deep Learning-Based Semantic Segmentation for Point Cloud // IEEE Access. 2019. Т. 7. С. 179118-179133.

46. Данилова Л. и др. Классификация плотного облака точек при моделировании рельефа: 3 // Acad. АРХИТЕКТУРА И СТРОИТЕЛЬСТВО. 2024. № 3. С. 76-81.

47. Ткачев А.А. Классификация облака точек лазерного сканирования в задаче реконструкции естественных ландшафтных сцен // Dspa Вопросы Применения Цифровой Обработки Сигналов. 2019. Т. 9, № 3. С. 22-24.

48. Классификация облака точек с использованием обучающей модели (3D Analyst)—ArcGIS AllSource | Документация [Электронный ресурс]. URL: https://doc.arcgis.com/ru/allsource/latest/analysis/geoprocessing-tools/3d-analyst/classify-point-cloud-using-trained-model.htm (дата обращения: 22.05.2025).

49. Облако точек. Классификация. Добавление точек к поверхности | САПР-журнал [Электронный ресурс]. URL: https://sapr-journal.ru/uroki-autocad-civil3d/oblako-tochek-klassifikaciya-dobavlenie-tochek-k-poverxnosti/ (дата обращения: 22.05.2025).

50. Li Y. et al. PointCNN: Convolution On X-Transformed Points. 2018.

51. Sfikas K., Pratikakis I., Theoharis T. Ensemble of PANORAMA-based convolutional neural networks for 3D model classification and retrieval // Comput. Graph. 2018. Т. 71. С. 208-218.

52. Riegler G., Ulusoy A.O., Geiger A. OctNet: Learning Deep 3D Representations at High Resolutions // 2017 IEEE Conf. Comput. Vis. Pattern Recognit. CVPR. Honolulu, HI: IEEE, 2017. С. 6620-6629.

53. Zhang M. et al. An End-to-End Deep Learning Architecture for Graph Classification // Proceedings of the AAAI Conference on Artificial Intelligence. 2018. Т. 32, № 1.

54. Щенявская Л.А., Гура Д.А., Дьяченко Р.А. Анализ архитектуры нейронной сети PointNet // Вестник Дагестанского Государственного Технического Университета Технические Науки. 2023. Т. 50, № 4. С. 158-165.

55. Chang A.X. et al. ShapeNet: An Information-Rich 3D Model Repository // ArXiv. 2015.

56. Tan Y. et al. Classifying point clouds at the facade-level using geometric features and deep learning networks. arXiv, 2024.

57. Сай Сергей Владимирович, Зинкевич Алексей Владимирович. Метод семантической сегментации данных воздушного лазерного сканирования водоохранных зон // Научно-Технический Вестник Информационных Технологий Механики И Оптики. 2025. Т. 159, № 1. С. 68.

58. Thomas H. et al. KPConvX: Modernizing Kernel Point Convolution with Kernel Attention // 2024 IEEECVF Conf. Comput. Vis. Pattern Recognit. CVPR. Seattle, WA, USA: IEEE, 2024. С. 5525-5535.

59. He K. et al. Deep Residual Learning for Image Recognition // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. С. 770-778.

60. Pan Y. et al. 3D deep-learning-enhanced void-growing approach in creating geometric digital twins of buildings // Proc. Inst. Civ. Eng. - Smart Infrastruct. Constr. 2023. Т. 176, № 1. С. 24-40.

61. Liu K. et al. FG-Net: A Fast and Accurate Framework for Large-Scale LiDAR Point Cloud Understanding // IEEE Trans. Cybern. 2023. Т. 53, № 1. С. 553-564.

62. Ma X. et al. Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework // ArXiv. 2022.

63. Zhao H. et al. Point Transformer // 2021 IEEE/CVF International Conference on Computer Vision (ICCV). 2021. С. 16239-16248.

64. Papers with Code - SemanticKITTI Benchmark (3D Semantic Segmentation) [Электронный ресурс]. URL: https://paperswithcode.com/sota/3d-semantic-segmentation-on-semantickitti (дата обращения: 22.05.2025).

65. Cortinhal T., Tzelepis G., Erdal Aksoy E. SalsaNext: Fast, Uncertainty-Aware Semantic Segmentation of LiDAR Point Clouds // Advances in Visual Computing / Springer International Publishing, 2020. С. 207-222.

66. Feng T. et al. LSK3DNet: Towards Effective and Efficient 3D Perception with Large Sparse Kernels // 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2024. С. 14916-14927.

67. Stokolesov M., Yudin D. Improvement of projection-based LiDAR data segmentation algorithms using object-contextual representations // J. Phys. Conf. Ser. IOP Publishing, 2021. Т. 1925, № 1. С. 012035.

68. Kong L. et al. Rethinking Range View Representation for LiDAR Segmentation // 2023 IEEE/CVF International Conference on Computer Vision (ICCV). 2023. С. 228-240.

69. Qian G. et al. PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies. arXiv, 2022.

70. Armeni I. et al. 3D Semantic Parsing of Large-Scale Indoor Spaces // 2016 IEEE Conf. Comput. Vis. Pattern Recognit. CVPR. Las Vegas, NV, USA: IEEE, 2016. С. 15341543.

71. Hackel T. et al. SEMANTIC3D.NET: A NEW LARGE-SCALE POINT CLOUD CLASSIFICATION BENCHMARK // ISPRS Ann. Photogramm. Remote Sens. Spat. Inf. Sci. Copernicus GmbH, 2017. Т. IV-1-W1. С. 91-98.

72. Hu Q. et al. Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset, Benchmarks and Challenges // 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2021. С. 4975-4985.

73. Chen M. et al. STPLS3D: A Large-Scale Synthetic and Real Aerial Photogrammetry 3D Point Cloud Dataset. arXiv, 2022.

74. Efficiency of a large-scale point cloud prediction ■ Issue #151 ■ HuguesTHOMAS/KPConv-PyTorch [Электронный ресурс] // GitHub. URL: https://github.com/HuguesTHOMAS/KPConv-PyTorch/issues/151 (дата обращения: 22.05.2025).

75. Blending modes [Электронный ресурс]. URL: https://helpx.adobe.com/content/help/en/photoshop/using/blending-modes.html (дата обращения: 22.05.2025).

76. Gonzalez R.C. Digital image processing. Upper Saddle River, N.J.: Prentice Hall, 2008. 982 с.

77. Beardsworth J. Photoshop blending modes cookbook for digital photographers. Lewes : Ilex, 2005. 87 с.

78. <blend-mode> - CSS: Cascading Style Sheets | MDN [Электронный ресурс]. 2025. URL: https://developer.mozilla.org/en-US/docs/Web/CSS/blend-mode (дата обращения: 22.05.2025).

79. Kim J., Hwang J.-I., Lee J. VR Color Picker: Three-Dimensional Color Selection Interfaces // IEEE Access. 2022. Т. 10. С. 65809-65824.

80. Bin L., Yeganeh M. Comparison for Image Edge Detection Algorithms. 2012.

81. Chawla N.V. et al. SMOTE: Synthetic Minority Over-sampling Technique // J. Artif. Intell. Res. 2002. Т. 16. С. 321-357.

82. Ratnasari A.P. Performance of Random Oversampling, Random Undersampling, and SMOTE-NC Methods in Handling Imbalanced Class in Classification Models // Int. J. Sci. Res. Manag. IJSRM. 2024. Т. 12, № 04. С. 494-501.

83. Пермяков Р. В. Фотограмметрическая обработка и применение разновременных стереопар космических снимков. 2021. Т. 8. С. 36-44.

84. Kerbl B. et al. 3D Gaussian Splatting for Real-Time Radiance Field Rendering // ACM Trans. Graph. 2023. Т. 42, № 4. С. 1-14.

85. Luiten J. et al. Dynamic 3D Gaussians: Tracking by Persistent Dynamic View Synthesis // 2024 International Conference on 3D Vision (3DV). 2024. С. 800-809.

86. Katsumata K., Vo D.M., Nakayama H. A Compact Dynamic 3D Gaussian Representation for Real-Time Dynamic View Synthesis: arXiv:2311.12897. arXiv, 2024.

87. Lin C. et al. DiffSplat: Repurposing Image Diffusion Models for Scalable Gaussian Splat Generation: arXiv:2501.16764. arXiv, 2025.

88. Yang J. et al. Fast3R: Towards 3D Reconstruction of 1000+ Images in One Forward Pass: arXiv:2501.13928. arXiv, 2025.

89. Li C. et al. Car-GS: Addressing Reflective and Transparent Surface Challenges in 3D Car Reconstruction: arXiv:2501.11020. arXiv, 2025.

Список иллюстративного материала

1.1 - Некорректность задачи восстановления сцены...............................................13

1.2 - Тривиальное решение задачи восстановления сцены.....................................14

1.3 - Кинематическая цепь........................................................................................16

1.4 - Модель Марра....................................................................................................17

1.5 - Случайное поле Маркова..................................................................................18

1.6 - Результат работы алгоритма Voxel coloring.....................................................20

1.7 - Результат работы алгоритма SIFT....................................................................21

1.8 - Изображение и разреженное облако точек сцены...........................................21

1.9 - Модель освещения Фонга.................................................................................22

1.10 - Модель отражающих микрограней................................................................23

1.11 - Операция свертки для изображения...............................................................26

2.1 - Общая схема обучения нейронной сети...........................................................32

2.2 - Проблемы адаптации свертки к облакам точек...............................................34

2.3 - Проекционный метод обработки изображений...............................................35

2.4 - Двумерная свертка вокселей.............................................................................36

2.5 - Трехмерная свертка вокселей...........................................................................36

2.6 - Октодерево.........................................................................................................37

2.7 - Варианты представления изображение в виде графа......................................38

2.8 - Сравнение сверток для изображения (а) и для графа (б)................................39

2.9 - Архитектура PointNet........................................................................................40

2.10 - Набор данных ShapeNet..................................................................................40

2.11 - Алгоритм формирования блоков....................................................................44

2.12 - Модуль локальной агрегации RandLA-Net....................................................46

2.13 - Набор данных комнатного масштаба S3DIS..................................................48

2.14 - Примеры сгенерированных точек ядра свертки для различных K...............50

2.15 - Покрытие области свертки..............................................................................50

2.16 - Деформация точек ядра свертки.....................................................................52

2.17 - Сопоставление точек ядра свертки и точек поверхности с разными соотношениями плотностей......................................................................................53

2.18 - Блок ResNet......................................................................................................54

2.19 - Показатели качества классификации различных архитектур на наборе данных SemanticKITTI...............................................................................................55

2.20 - Нововведения в архитектуре PointNeXt.........................................................56

2.21 - Эффективность модификаций каждой категории на различных наборах данных ........................................................................................................................ 56

3.1 - Набор данных SensatUrban...............................................................................58

3.2 - Особенности синтетической выборки..............................................................61

3.3 - Исходное (а) и классифицированное при помощи KPConv (б) облака точек 62

3.4 - Ошибки, значительно превышающие размеры объектов (а), соизмеримые с ними (б) и намного меньшие объектов классификации (в).....................................63

3.5 - Изменение количества итераций на точку. Слева - алгоритм, использующий потенциалы, справа - новый.....................................................................................71

3.6 - Зависимость mloU от количества итераций.....................................................73

3.7 - Зависимость mloU от размера блока................................................................74

3.8 - Зависимость класса от высоты.........................................................................75

3.9 - Результаты классификации облака точек с всхолмленным рельефом при помощи: а) ИНС, использующей признак абсолютной высоты; б) ИНС с исключением данного признака................................................................................77

3.10 - Результат аугментации рельефа.....................................................................79

3.11 - Режимы наложения в Adobe Photoshop..........................................................83

3.12 - Цветовые пространства RGB и HSL...............................................................87

3.13 - Смешивание цветов: а - исходное облако точек; б -жесткий свет; в - жесткий свет, усредненный с исходными цветами; г -мягкий свет; д - мягкий свет, усредненный с исходными цветами; е - изменения градиентов жесткого света; ж -изменения градиентов мягкого света........................................................................90

3.14 - Изменение числа итераций, приходящихся на точку....................................93

3.15 - Применение постобработки............................................................................97

4.1 - Калининград. Вид на Площадь Победы и Собор Христа Спасителя: а - все точки; б - земля; в - высокая растительность; г - здания.....................................104

4.2 - Сеул. Вид на площадь железнодорожного вокзала: а - все точки; б - земля; в - высокая растительность; г - здания.....................................................................105

4.3 - Облако точек из набора DALES в псевдоцветах в соответствии с высотами (а), истинными классами (б) и предсказанными разработанной моделью классами (в) точек..........................................................................................................................106

4.4 - Автомобили из обучающей и проверочной выборок (а) и из тестовой выборки (б)..............................................................................................................................107

3.1 - Баланс классов в наборе SensatUrban...............................................................59

3.2 - Пример палитры цветов классов......................................................................82

4.1 - Основные характеристики наборов стереопар космических снимков.........100

4.2 - Метрики качества классификации.................................................................101

4.3 - Сравнение результатов на наборе DALES.....................................................106

ПРИЛОЖЕНИЕ 1 Метрики качества классификации при добавлении различных

модификаций

Таблица 1 - Исходная конфигурация

Класс ЯЕС, % РЯЕ, % 1ои, %

Земля 59,7 33,3 27,2

Деревья 29,3 99,9 29,3

Здания 70,9 94,3 68,0

Асфальт 85,6 49,2 45,4

Автомобили 82,9 88,5 74,9

Фурнитура 86,3 3,2 3,2

ИТОГО 69,1 - 41,3

Таблица 2 - Повышение размер блока

Класс ЯЕС, % РЯЕ, % 1ои, %

Земля 67,5 28,3 24,9

Деревья 27,8 100,0 27,8

Здания 79,9 85.9 70,6

Асфальт 83,8 59,3 53,2

Автомобили 79,3 90,3 73,1

Фурнитура 81,5 4,6 4,6

ИТОГО 70,0 - 42,4

Таблица 3 - Удаление признака высоты

Класс ЯЕС, % РЯЕ, % 1ои, %

Земля 44,5 83,0 40,8

Деревья 39,2 99,7 39,1

Здания 99,4 54,9 54,7

Асфальт 76,5 83,8 66,6

Автомобили 56,4 96,0 55,1

Фурнитура 4,8 4,8 2,5

ИТОГО 53,5 - 43,1

Таблица 4 - Аугментация рельефа

Класс ЯЕС, % РЯЕ, % 1ои, %

Земля 93,6 38,7 37,7

Деревья 18,5 100,0 18,5

Здания 95,5 66,6 64,5

Асфальт 76,8 98,5 75,9

Автомобили 83,6 87,2 74,4

Фурнитура 24,4 14,2 9,9

ИТОГО 65,4 - 46,8

Таблица 5 - Аугментация цвета

Класс ЯЕС, % РЯЕ, % 1ои, %

Земля 90,3 43,4 41,5

Деревья 25,9 99,9 25,9

Здания 94,1 70,2 67,2

Асфальт 80,8 96,9 78,8

Автомобили 92,9 82,6 77,7

Фурнитура 42,6 10,3 9,1

ИТОГО 71,1 - 50,0

Таблица 6 - Балансировка классов

Класс ЯЕС, % РЯЕ, % 1ои, %

Земля 90,6 41,0 39,3

Деревья 48,1 99,9 48,1

Здания 95,4 72,8 70,3

Асфальт 73,7 99,3 73,3

Автомобили 92,3 80,1 75,1

Фурнитура 33,9 19,6 14,2

ИТОГО 72,3 - 53,4

Таблица 7 - Постобработка

Класс ЯЕС, % РЯЕ, % 1ои, %

Земля 88,7 42,2 40,0

Деревья 48,1 99,9 48,1

Здания 96,5 72,3 70,4

Асфальт 73,8 99,0 73,3

Автомобили 91,4 81,5 75,5

Фурнитура 31,6 22,8 15,3

ИТОГО 71,1 - 53,8

ПРИЛОЖЕНИЕ 2 Свидетельство о государственной регистрации программы для ЭВМ

ПРИЛОЖЕНИЕ 3 Акт о внедрении

РАКУРС

РФ. 1293М. г. Москва, ул. Ярославская, д. 1ЭЛ. паж 3, офис 15, ЛО «РАКУРС» Тел.: [phone], факс: [phone], e-mail: [e-mail], www.racurs.ru

ISO

АКТ

об использовании (внедрении) результатов диссертационной работы Василенко

Дмитрия Владимировича «Разработка алгоритма классификации облаков трехмерных точек, полученных фото1"рамметрическим методом» в программном продукте АО «Фирма «РАКУРС»

Предложенные Д.В. Василенко методы и алгоритмы обработки облаков точек позволили повысить точность и производительность их автоматической классификации. Результаты диссертации Д.В. Василенко внедрены в программу для ЭВМ «PHOTMOD Neuro» (свидетельство о государственной регистрации программы для ЭВМ № 2023684819 от 20.11.2023).

Экспериментатьные результаты продемонстрировали, что применение автоматического классификатора облаков точек позволяет достичь троекратного повышения производительности труда.

Данная программа используется следующими организациями:

- ООО «Int Tech»;

- ООО «Финко»;

- GEOMATICA INGENERIA;

- SmartSpain Sci-Tech Inc.;

- National Natural Gas System Operator (DEFSA) S.A.;

-Yannis Yanniris.

Заместитель научного директора

«¿J» „¿fesW 2025 г.

Зубарев А.Э.