Просмотр исходного текста страницы Классификация объектов на спутниковых снимках с помощью глубокого обучения

{{Карточка_командного_проекта
|name=Классификация объектов на спутниковых снимках с помощью глубокого обучения
|company=НИУ ВШЭ
|semester=Осень 2018
|course=3-4
|number_of_students=8
|categorize=yes
}}

'''Темы студенческих работ 2018-2019'''
* [http://wiki.cs.hse.ru/%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:AntonioRodriges Страница ментора]

* [https://www.hse.ru/mirror/pubs/share/226456009 Презентация проектов 2018-2019 (PDF)]

* [https://eduhseru-my.sharepoint.com/:x:/g/personal/arodriges_edu_hse_ru/EYZzEzd9JzFBq7yMDmIwPx0B665RwOlVVYFc69FfpZPb6A?e=sBBOSx Дополнительные темы] (on-line таблица)

* Узнать больше о данных ДЗЗ: https://learn.arcgis.com/ru/arcgis-imagery-book/


=== Что это за проект? ===
Спутниковые данные (данные дистанционного зондирования Земли, ДЗЗ) используются при планировании городской инфраструктуры, мониторинге чрезвычайных ситуаций, точном земледелии и решении [https://learn.arcgis.com/ru/arcgis-imagery-book/ многих других задач]. Amazon предоставляет [https://aws.amazon.com/earth петабайты данных ДЗЗ], Planet строит «[https://habr.com/post/408397/ Космический Google]» для планеты, а Роскосмос запускает масштабный проект «[https://www.youtube.com/watch?v=LsR_gfCeSlQ Цифровая Земля]». Недавно прошли несколько международных конкурсов и хакатонов (в т.ч. в России), которые посвящены этой тематике: [https://habr.com/company/avito/blog/325632/ статья 1], [https://habr.com/company/ods/blog/325096/ статья 2], [http://geohack.ru/ хакатон Croc].

[[Файл:ПользаГеоданныеРоскосмос.PNG|800px|безрамки|центр|link=https://www.youtube.com/watch?v=LsR_gfCeSlQ]]

[[Файл:ПользаГеоданныеPlanet.PNG|800px|безрамки|центр|link=https://www.youtube.com/watch?v=h5Zhk0U4aZ4]]

'''Цель проекта''' — разработать облачный сервис классификации объектов на бесплатных данных [https://registry.opendata.aws/sentinel-2/ Sentinel (ESA, European Space Agency)], которые на сегодня имеют самое высокое разрешение (порядка 10 метров на пиксель) среди всех бесплатных данных ДЗЗ. 

Также можно будет использовать вспомогательные данные других космических аппаратов, а также векторные цифровые карты для повышения точности классификации. Мы будем стремиться к тому, чтобы наш сервис автоматически загружал новые спутниковые данные по мере их поступления для заданных ROI (Region of Interest) и выполнял их классификацию (сегментацию) с сохранением результатов в базу данных и интерактивной визуализацией по требованию.

=== Чему вы научитесь? ===
* технологиям глубокого обучения
* соответствующим front-end и back-end технологиям, которые необходимы для сервиса (напр., сетевым протоколам передачи геопространственных данных, расширениям для хранения геоданных в СУБД, карты отображения данных в браузере)
* основам работы со спутниковыми данными
* библиотекам работы с геопространственными данными 
* применению машинного обучения к реальным, практически полезным задачам

=== Какие начальные требования? ===
* технический английский (для чтения статей)
* язык программирования — любой
* желание разбираться с геопространственными данными

=== Какие будут использоваться технологии? ===
Технологии очевидны из следующего описания сервиса.
Задачи или компоненты сервиса можно упрощать/усложнять/исключать исходя из количества студентов, которые выберут проект. 
Также back-end и/или front-end могут разрабатываться разным числом студенов в зависимости от сложности и объемности задач.

'''Сервер''' (back-end):

* Периодически загружает из облака Amazon новые данные [https://registry.opendata.aws/sentinel-2/ Sentinel] для заданных регионов
* Выполняет подготовку данных: напр., используя векторную карту, вырезает из снимков полигоны, соответствующие зданиям, дорогам, паркам, т.п. с помощью специальных библиотек, напр. [https://pcjericks.github.io/py-gdalogr-cookbook/raster_layers.html Python]
* Умеет по специальному протоколу (напр., WCS - Web Coverage Service) передавать данные на клиент
* Запускает классификацию/сегментацию снимков на одном сервере либо на кластере в "облаке" 
* Сохраняет результаты классификации в базу данных, напр. PostgreSQL/PostGIS
* Умеет принимать от клиента запросы 

'''Клиент''' (front-end):

* Отображает карту, входные данные и результаты работы в браузере, напр. с помощью Leaflet
* Умеет принимать от пользователя регионы интереса, пометки к данным
* Умеет передавать на сервер геоданные (напр., по протоколу WFS - Web Feature Service)

=== Темы вводных занятий ===
Мы возьмем некоторые темы из курса [http://rgeo.wikience.org/index2017.html Разработка геоприложений]

* что такое геопространственные данные, какие они бывают и какие особенности работы с ними
* как устроены спутниковые данные (данные дистанционного зондирования Земли)
* библиотеки для работы с геопространственными данными 
* особенности и паттерны применения нейронных сетей к спутниковым данным

=== Направления развития ===
* использование дополнительных спутниковых данных, напр. гиперспектральных, радарных, DEM (Digital Elevation Model)
* наличие нескольких альтернативных моделей для классификации данных

=== Критерии оценки ===
Адаптируются в зависимости от размера команды.

'''4-5:'''

* выполнить подготовку данных (автоматическая загрузка + вырезка объектов по векторной карте для обучения)
* реализовать классификацию данных ДЗЗ (можно без автоматизации)
* реализованное приложение должно выполнять сегментацию

'''6-7:'''

* все пункты '''4-5'''
* визуальный интерфейс (любой - web либо desktop)

'''8-10:''' 

* все пункты '''6-7'''
* визуальный интерфейс (любой - web либо desktop, но желательно web)
* сервер, cм. описание в разделе "Какие будут использоваться технологии?"

Дополнительные баллы можно также получить при выполнении пунктов из раздела "Направления развития".

=== Ориентировочное расписание занятий ===
По договоренности. Ориентировочно ВТ 16.40-18.10 (по четной неделе)