Распознавание аномалий на разновременных панорамах с использованием нейросетевого метода консолидации моделей

Описывается методика классификации аномалий на разновременных панорамах с применением нейросетевого метода консолидации моделей. Основная идея данного подхода заключается в разбиении модели глубокого обучения на составные части. Затем для каждой части подбираются и адаптируются существующие шаблоны проектирования. Для решения задачи классификации аномалий был разработан составной шаблон и спроектирована новая нейросетевая модель. Выполнено усовершенствование шаблона проектирования нейронных сетей ConvNet, основанное на технологии применения «плотных сверточных блоков». Для классификации аномалий разработан новый шаблон — SOTA-ConvNet, включающий готовую архитектуру нейросетевой модели, подходящую для работы с панорамными изображениями. Нейросетевая модель, построенная на базе шаблона SOTA-ConvNet, показала преимущества по сравнению с нейросетью на базе ConvNet: повысилась точность классификации изображений, на порядок уменьшилось число настраиваемых параметров.