ДВОЕТАПНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ СУПУТНИКОВИХ ЗНІМКІВ  ДЛЯ ОЦІНЮВАННЯ ПЛОЩІ АСФАЛЬТОВАНОГО ПОКРИТТЯ   ПАРКОВОК

Олександр Гончарук; Надія Недашківська

doi:10.20535/kpisn.2026.3.367540

Т. 144 · № 3 · 2026 вер 29, 2026 статті

ДВОЕТАПНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ СУПУТНИКОВИХ ЗНІМКІВ ДЛЯ ОЦІНЮВАННЯ ПЛОЩІ АСФАЛЬТОВАНОГО ПОКРИТТЯ ПАРКОВОК

ОГ

Олександр Гончарук Відповідальний Кафедра математичних методів системного аналізу, навчально-науковий інститут прикладного системного аналізу, Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського", Київ, Україна Україна

НН

Надія Недашківська Кафедра математичних методів системного аналізу, навчально-науковий інститут прикладного системного аналізу, Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського", Київ, Україна Україна

Опубліковановер 29, 2026

PDF

НВКПІ 3 ТОМ 144 · 3

ТОМ 144 · № 3 · 2026 Переглянути випуск

Анотація

Проблематика. Точна оцінка площі асфальтованих парковок є важливою для містобудування та екологічного моніторингу. Однак спектральна подібність асфальту паркувальних майданчиків та доріг робить одноетапну сегментацію ненадійною. Існуючі методи часто залежать від вручну виправлених міток. В роботі запропоновано новий двоетапний підхід для детальної класифікації поверхні. Мета дослідження. Розробити двоетапний підхід до сегментації, де перший етап виконує грубу локалізацію меж парковок, другий етап – детальну сегментацію неасфальтованих ділянок, використовуючи різні джерела навчальних даних для кожного етапу. Методика реалізації. Етап 1 використовує модель U-Net зі згортковим енкодером EfficientNet-B3, навчену на 3019 необроблених зображеннях полігонів парковок з OpenStreetMap із 34 штатів США для виявлення меж. Етап 2 маскує зображення до виявленої межі і навчає другу модель U-Net на 1144 анотованих людьми зображеннях для сегментації неасфальтованих ділянок. Площа асфальту дорівнює площі межі мінус площа неасфальтованих ділянок. Обидва етапи використовують функцію втрат Dice Loss та оцінюються за метрикою Binary IoU (в подальшому IoU) при роздільності 512×512. Результати дослідження. Етап 1 досягає IoU 0.7886 без ручного виправлення міток. Етап 2 досягає IoU 0.6147 та коефіцієнта Dice 0.8396 для сегментації неасфальтованих ділянок. Різниця між метриками підтверджує, що помилки переважно локалізовані на межах, а не є грубими хибними класифікаціями. Конвеєр коректно відокремлює паркувальні майданчики від прилеглих доріг та виявляє основні неасфальтовані ділянки. Висновки. Порівняно з Qiam et al. [10], ми зменшили обсяг ручної анотації на 89% та розмір моделі приблизно у 18 разів. Двоетапна архітектура, яка поєднує вільні мітки з OpenStreetMap для грубої локалізації з людськими анотаціями для детальної класифікації, є життєздатним підходом до оцінки площі асфальтового покриття. Парадигма може бути поширена на суміжні задачі, такі як типізація матеріалів будівель та картографування стану дорожнього покриття.

Ключові слова

#семантична сегментація #супутникові знімки #паркінг #нейронна мережа #міська інфраструктура

Посилання

Batmunkh, Ariuntuya. 2024. “Deep Learning for Impervious Surface Segmentation from High Resolution Aerial Imagery.” DOI: https://doi.org/10.32469/10355/106121
Dice, Lee R. 1945. “Measures of the Amount of Ecologic Association Between Species.” Ecology 26 (3): 297–302. DOI: https://doi.org/10.2307/1932409 .
Henry, C., J. Hellekes, N. Merkle, S. M. Azimi, and F. Kurz. 2021. “Citywide Estimation of Parking Space Using Aerial Imagery and OSM Data Fusion with Deep Learning and Fine-Grained Annotation.” The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XLIII-B2-2021: 479–485. DOI: https://doi.org/10.5194/isprs-archives-XLIII-B2-2021-479-2021 .
Honcharuk, Oleksandr P., and Nadiia I. Nedashkovskaya. 2026. “OpenStreetMap as Free Training Labels for Satellite Parking Lot Segmentation.” In Proc. XXIV All-Ukrainian Scientific-Practical Conference “Theoretical and Applied Problems of Physics, Mathematics and Informatics”. Kyiv, Ukraine: Igor Sikorsky Kyiv Polytechnic Institute, Politekhnika.
URL: https://ela.kpi.ua/handle/123456789/81220
Kaiser, Pascal, Jan Dirk Wegner, Aurelien Lucchi, Martin Jaggi, Thomas Hofmann, and Konrad Schindler. 2017. “Learning Aerial Image Segmentation from Online Maps.” IEEE Transactions on Geoscience and Remote Sensing 55 (11): 6054-6068
DOI: https://doi.org/10.1109/TGRS.2017.2719738 .
URL: https://scispace.com/pdf/learning-aerial-image-segmentation-from-online-
maps-4q145uvzjb.pdf
Kingma, Diederik P., and Jimmy Ba. 2015. “Adam: A Method for Stochastic Optimization.” In International Conference on Learning Representations (Iclr). URL: https://arxiv.org/abs/1412.6980; https://arxiv.org/pdf/1412.6980
Li, Man, Renru Wang, Ana Dai, Weitao Yuan, Guangbin Yang, Lijun Xie, Weili Zhao, and Linglin Zhao. 2025. “Cascade DeepLab Net: A Method for Accurate Extraction of Fragmented Cultivated Land in Mountainous Areas Based on a Cascaded Network.” Agriculture 15 (3): 348. DOI: https://doi.org/10.3390/agriculture15030348 .
Olbricht, Roland. 2024. “Overpass API.” URL: https://overpass-api.de/ .
OpenStreetMap contributors. 2024. “OpenStreetMap.” URL: https://www.openstreetmap.org .
Qiam, Shirin, Saipraneeth Devunuri, and Lewis J. Lehe. 2025. “A Pipeline and NIR-Enhanced Dataset for Parking Lot Segmentation.” In 2025 Ieee/Cvf Winter Conference on Applications of Computer Vision (Wacv), 1227–1236. DOI: https://doi.org/10.1109/WACV61041.2025.00127 .
Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. 2015. “U-Net: Convolutional Networks for Biomedical Image Segmentation.” In Medical Image Computing and Computer-Assisted Intervention – Miccai 2015, 9351:234–241. Cham: Springer International Publishing. DOI: https://doi.org/10.1007/978-3-319-24574-4_28 .
Tan, Mingxing, and Quoc V. Le. 2019. “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks.” URL: https://arxiv.org/abs/1905.11946 . DOI: https://doi.org/10.48550/arXiv.1905.11946
Usmani, Munazza, Francesca Bovolo, and Maurizio Napolitano. 2023. “Remote Sensing and Deep Learning to Understand Noisy Openstreetmap.” Remote Sensing 15 (18): 4639. DOI: https://doi.org/10.3390/rs15184639 .
Vargas-Munoz, John E., Shivangi Srivastava, Devis Tuia, and Alexandre X. Falcão. 2020. “OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing.” IEEE Geoscience and Remote Sensing Magazine 9 (1): 184–199. DOI: https://doi.org/10.1109/MGRS.2020.2994107 .
Zhong, Qi, Jun Luo, Jingxin Fang, and Yi Chen. 2025. “Two-Stage Cascaded Vision Transformer with Spatial Attention for Dense Settlement Detection in Remote Sensing Imagery.” Npj Heritage Science 13 (1). DOI: https://doi.org/10.1038/s40494-025-01787-8 .
Zgurovsky, Michael, Kostiantyn Yefremov, Sergii Gapon, and Ivan Pyshnograiev. 2023. “Assessment of the Economical Dimension of Sustainable Development of the Ukraine's Regions Based on the Brightness of Night Lights.” System Research and Information Technologies, no. 2: 49–62. DOI: https://doi.org/10.20535/SRIT.2308-8893.2023.2.04 .
Sydorskyi, V. S. 2022. “The Method of Transformation of Image Classification Labels into Segmentation Masks.” Microsystems, Electronics and Acoustics 27 (2): 262933-1–262933-9. DOI: https://doi.org/10.20535/2523-4455.mea.262933 .

Попередня у випуску МОДИФІКАЦІЯ НЕЙРОМЕРЕЖЕВОГО МЕТОДУ SPINN ДЛЯ НАБЛИЖЕНОГО РОЗВ'ЯЗАННЯ МІШАНОЇ ЗАДАЧІ ДЛЯ РІВНЯННЯ ТЕПЛОПРОВІДНОСТІ В ЕЛІПТИЧНІЙ ОБЛАСТІ Наступна у випуску ФОРМАЛІЗАЦІЯ РОЗРІДЖЕНОГО ANP З БІНАРНИМИ ПОРІВНЯННЯМИ НА ОСНОВІ ДАНИХ У КОЛІ ОДНОРІДНИХ КОМПОНЕНТІВ ДЛЯ ПРІОРИТИЗАЦІЇ РОЗПОДІЛУ РЕСУРСІВ

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

ФОРМАЛІЗАЦІЯ РОЗРІДЖЕНОГО ANP З БІНАРНИМИ ПОРІВНЯННЯМИ НА ОСНОВІ ДАНИХ У КОЛІ ОДНОРІДНИХ КОМПОНЕНТІВ ДЛЯ ПРІОРИТИЗАЦІЇ РОЗПОДІЛУ РЕСУРСІВ

Вадим Романюк

Проблематика. Задачі розподілу обмежених ресурсів між взаємозалежними однорідними об’єктами виникають у багатьох прикладних сферах — зокрема, під час конкурсного…

#розподіл ресурсів #однорідні компоненти #взаємозалежності #аналітичний мережевий процес

10.20535/kpisn.2026.3.368158

РОЗРОБКА МЕТОДУ ФОРМАЛІЗАЦІЇ ДИНАМІЧНИХ ТЕПЛОВИХ ПОРТРЕТІВ ДЛЯ НАДІЙНОГО ВИЯВЛЕННЯ ЦІЛЕЙ

Степан Лис, Оксана Оборська

Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в…

#тепловізійні системи #ідентифікація цілей #локалізація зони інтересу #динамічний тепловий портрет

10.20535/kpisn.2026.3.359114

МЕТОДИКА ФОРМУВАННЯ ІНФОРМАТИВНОГО ПРОСТОРУ ОЗНАК ТЕХНІЧНИХ ІНДИКАТОРІВ ФІНАНСОВИХ ПРОЦЕСІВ НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

Роман Тертичний, Денис Чупрін, Петро Бідюк

Проблематика. Фінансові часові ряди характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму, що суттєво ускладнює їх моделювання та прогнозування.…

#методика формування інформативного простору ознак #технічні індикатори #волатильність Паркінсона #нейронні мережі

10.20535/kpisn.2026.3.359610

Статті цього автора (цих авторів), які найбільше читають

Костянтин Грішин, Надія Недашківська, МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ КОНФІГУРАЦІЙ РУК УКРАЇНСЬКОЇ ЖЕСТОВОЇ МОВИ , Наукові вісті КПІ: Том 143 № 2 (2026)
Надія Недашківська, Дмитро Андросов, СИСТЕМНИЙ ПІДХІД ДО БАГАТОКРИТЕРІАЛЬНОГО ОЦІНЮВАННЯ СЕАНСОВИХ І ПОСЛІДОВНИХ РЕКОМЕНДАЦІЙНИХ СИСТЕМ , Наукові вісті КПІ: Том 141 № 4 (2025)

Схожі статті

Костянтин Д. Грішин, Nadezhda Nedashkovskaya, МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ КОНФІГУРАЦІЙ РУК УКРАЇНСЬКОЇ ЖЕСТОВОЇ МОВИ , Наукові вісті КПІ: Том 143 № 2 (2026)
Віталій Голубінка, АВТОНОМНА СИСТЕМА РЕКОМЕНДАЦІЇ ІНДЕКСІВ ДЛЯ РЕЛЯЦІЙНИХ БАЗ ДАНИХ НА ОСНОВІ COST-MODEL ТА PLAN COVERING , Наукові вісті КПІ: Том 143 № 2 (2026)
Denys V. Storozhyk, Oleksandr V. Muraviov, Anatoliy G. Protasov, Viktor G. Bazhenov, Galina A. Bohdan, КОМПЛЕКСУВАННЯ МУЛЬТИСПЕКТРАЛЬНИХ ЗОБРАЖЕНЬ ЯК МЕТОД ПІДВИЩЕННЯ ЇХ ІНФОРМАТИВНОСТІ ПРИ БІНАРНІЙ СЕГМЕНТАЦІЇ , Наукові вісті КПІ: № 2 (2020)
Oksana O. Suprunenko, КОМБІНОВАНИЙ ПІДХІД ДО ІМІТАЦІЙНОГО МОДЕЛЮВАННЯ ДИНАМІКИ ПРОГРАМНИХ СИСТЕМ НА ОСНОВІ ІНТЕРПРЕТАЦІЙ МЕРЕЖ ПЕТРІ , Наукові вісті КПІ: № 5-6 (2019)
Yana O. Smirnova, Ievgen V. Solodkyi, Iryna M. Huriia, Petro I. Loboda, КІНЕТИКА ФОРМУВАННЯ ПЕРЕХІДНОГО ШАРУ ПРИ ВЗАЄМОДІЇ Ti-TiB З РІДКИМ АЛЮМІНІЄМ , Наукові вісті КПІ: № 2 (2019)
Hennady P. Bolotov, Roman M. Ryzhov, Maksym H. Bolotov, ПІДВИЩЕННЯ СТІЙКОСТІ ТЛІЮЧОГО РОЗРЯДУ В УМОВАХ ЗВАРЮВАННЯ ЗАСТОСУВАННЯМ МУЛЬТИСЕКЦІЙНИХ ЕЛЕКТРОДНИХ СИСТЕМ , Наукові вісті КПІ: № 2 (2019)
Vadim V. Romanuke, ПРОГРАМА КОНТРОЛЮ ПОТУЖНОСТІ У ВИСХІДНОМУ НАПРЯМКУ ДЛЯ ВИРІВНЮВАННЯ ЯКОСТІ СЕРВІСУ В БЕЗПРОВОДОВИХ МЕРЕЖАХ ПЕРЕДАЧІ ДАНИХ З ОБМЕЖЕННЯМ ДО РІВНОВІДДАЛЕНИХ РІВНІВ ПОТУЖНОСТІ , Наукові вісті КПІ: № 2 (2019)
Anastas A. Romansky, Lyubov I. Karbivska, Volodymyr L. Karbivskyy, Olena Ya. Kuznetsova, Viktor V. Stonis, Arsen P. Soroka, КВАНТОВОМЕХАНІЧНІ РОЗРАХУНКИ АТОМНОЇ СТРУКТУРИ ТА ЕЛЕКТРОННОЇ БУДОВИ КАРБОНАТВМІСНИХ АПАТИТІВ КАЛЬЦІЮ , Наукові вісті КПІ: № 1 (2019)
Roman M. Galagan, Andrii S. Momot, АНАЛІЗ ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПІДВИЩЕННЯ ДОСТОВІРНОСТІ АКТИВНОГО ТЕПЛОВОГО НЕРУЙНІВНОГО КОНТРОЛЮ , Наукові вісті КПІ: № 1 (2019)
Валерій Лось, Олександр Ряхін, МОДИФІКАЦІЯ НЕЙРОМЕРЕЖЕВОГО МЕТОДУ SPINN ДЛЯ НАБЛИЖЕНОГО РОЗВ'ЯЗАННЯ МІШАНОЇ ЗАДАЧІ ДЛЯ РІВНЯННЯ ТЕПЛОПРОВІДНОСТІ В ЕЛІПТИЧНІЙ ОБЛАСТІ , Наукові вісті КПІ: Том 144 № 3 (2026)

1-10 з 38 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] Batmunkh, Ariuntuya. 2024. “Deep Learning for Impervious Surface Segmentation from High Resolution Aerial Imagery.” DOI: https://doi.org/10.32469/10355/106121

[2] Dice, Lee R. 1945. “Measures of the Amount of Ecologic Association Between Species.” Ecology 26 (3): 297–302. DOI: https://doi.org/10.2307/1932409 .

[3] Henry, C., J. Hellekes, N. Merkle, S. M. Azimi, and F. Kurz. 2021. “Citywide Estimation of Parking Space Using Aerial Imagery and OSM Data Fusion with Deep Learning and Fine-Grained Annotation.” The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XLIII-B2-2021: 479–485. DOI: https://doi.org/10.5194/isprs-archives-XLIII-B2-2021-479-2021 .

[4] Honcharuk, Oleksandr P., and Nadiia I. Nedashkovskaya. 2026. “OpenStreetMap as Free Training Labels for Satellite Parking Lot Segmentation.” In Proc. XXIV All-Ukrainian Scientific-Practical Conference “Theoretical and Applied Problems of Physics, Mathematics and Informatics”. Kyiv, Ukraine: Igor Sikorsky Kyiv Polytechnic Institute, Politekhnika.

[5] URL: https://ela.kpi.ua/handle/123456789/81220

[6] Kaiser, Pascal, Jan Dirk Wegner, Aurelien Lucchi, Martin Jaggi, Thomas Hofmann, and Konrad Schindler. 2017. “Learning Aerial Image Segmentation from Online Maps.” IEEE Transactions on Geoscience and Remote Sensing 55 (11): 6054-6068

[7] DOI: https://doi.org/10.1109/TGRS.2017.2719738 .

[8] URL: https://scispace.com/pdf/learning-aerial-image-segmentation-from-online-

[9] maps-4q145uvzjb.pdf

[10] Kingma, Diederik P., and Jimmy Ba. 2015. “Adam: A Method for Stochastic Optimization.” In International Conference on Learning Representations (Iclr). URL: https://arxiv.org/abs/1412.6980; https://arxiv.org/pdf/1412.6980

[11] Li, Man, Renru Wang, Ana Dai, Weitao Yuan, Guangbin Yang, Lijun Xie, Weili Zhao, and Linglin Zhao. 2025. “Cascade DeepLab Net: A Method for Accurate Extraction of Fragmented Cultivated Land in Mountainous Areas Based on a Cascaded Network.” Agriculture 15 (3): 348. DOI: https://doi.org/10.3390/agriculture15030348 .

[12] Olbricht, Roland. 2024. “Overpass API.” URL: https://overpass-api.de/ .

[13] OpenStreetMap contributors. 2024. “OpenStreetMap.” URL: https://www.openstreetmap.org .

[14] Qiam, Shirin, Saipraneeth Devunuri, and Lewis J. Lehe. 2025. “A Pipeline and NIR-Enhanced Dataset for Parking Lot Segmentation.” In 2025 Ieee/Cvf Winter Conference on Applications of Computer Vision (Wacv), 1227–1236. DOI: https://doi.org/10.1109/WACV61041.2025.00127 .

[15] Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. 2015. “U-Net: Convolutional Networks for Biomedical Image Segmentation.” In Medical Image Computing and Computer-Assisted Intervention – Miccai 2015, 9351:234–241. Cham: Springer International Publishing. DOI: https://doi.org/10.1007/978-3-319-24574-4_28 .

[16] Tan, Mingxing, and Quoc V. Le. 2019. “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks.” URL: https://arxiv.org/abs/1905.11946 . DOI: https://doi.org/10.48550/arXiv.1905.11946

[17] Usmani, Munazza, Francesca Bovolo, and Maurizio Napolitano. 2023. “Remote Sensing and Deep Learning to Understand Noisy Openstreetmap.” Remote Sensing 15 (18): 4639. DOI: https://doi.org/10.3390/rs15184639 .

[18] Vargas-Munoz, John E., Shivangi Srivastava, Devis Tuia, and Alexandre X. Falcão. 2020. “OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing.” IEEE Geoscience and Remote Sensing Magazine 9 (1): 184–199. DOI: https://doi.org/10.1109/MGRS.2020.2994107 .

[19] Zhong, Qi, Jun Luo, Jingxin Fang, and Yi Chen. 2025. “Two-Stage Cascaded Vision Transformer with Spatial Attention for Dense Settlement Detection in Remote Sensing Imagery.” Npj Heritage Science 13 (1). DOI: https://doi.org/10.1038/s40494-025-01787-8 .

[20] Zgurovsky, Michael, Kostiantyn Yefremov, Sergii Gapon, and Ivan Pyshnograiev. 2023. “Assessment of the Economical Dimension of Sustainable Development of the Ukraine's Regions Based on the Brightness of Night Lights.” System Research and Information Technologies, no. 2: 49–62. DOI: https://doi.org/10.20535/SRIT.2308-8893.2023.2.04 .

[21] Sydorskyi, V. S. 2022. “The Method of Transformation of Image Classification Labels into Segmentation Masks.” Microsystems, Electronics and Acoustics 27 (2): 262933-1–262933-9. DOI: https://doi.org/10.20535/2523-4455.mea.262933 .