WaterMaasksCreator

Информация

Название команды: fit.TUSUR

Состав:

• Роман Алешкович
• Станислав Танасенко
• Михаил Матвиенко

• Никита Маниченко

  Кейс: “Методы ИИ для решения задач устойчивого развития. Анализ последствий наводнений”

Ветки

• master - готовое решение
• develop - бета версии или решения находящиеся в разработке

Код

Для получения масок по мультиспектральным изображениям требуется установить с репозитория файлы test_source.py, catboost_mode.cbm, logistic_regression_mode.joblib

Модели хранятся в папке models

После открыть скрипт test_source.py и в нем указать пути в переменные:

• input_folder - переменная, в которую нужно указать путь с мультиспектральным изображениями
• output_folder - переменная, в которую нужно указать путь для сохранения генерируемых водных масок
• model_cat_path - переменная, в которую нужно указать путь к модели catboost_model.cbm
• model_log_path - переменная, в которую нужно указать путь к модели logistic_regression_model.joblib

При запуске скрипта на вход подаются мультиспектральные изображения указанные по пути в переменной input_folder, после изображения обрабатываются через модели CatBoost, логистическую регрессию и алгоретмическое решение и формируют водные маски. После окончания работы, скрипт сохраняет маски по пути указанному в переменной output_folder.

Файлы

• README.md - информация по проекту
• .gitignore - файл gitignore
• test_source.py - скрипт для создания масок по мультиспектральному изображению
• catboost_mode.cbm - модель CatBoost
• logistic_regression_mode.joblib - модель логистической регрессии
• requirements.txt - список используемых библиотек с версиями
• pre_data.ipynb - подготовка датасета для обучения моделей CarBoost и логистической регрессии
• !MAIN.ipynb - скрипт тестирования создания масок по мультиспектральному изображению
• TEST_MODELS.ipynb - скрипт для вывода метрик по моделям
• TEST_POST_PROC.ipynb - скрипт для анализа различных способов постобработки изображения
• test_algoritm.ipynb - скрипт для вывода метрик по алгоритмическому решению
• test_statistics_tresholders.py - скрипт для вывода статистики по tresholders
• CatBoost_learning.ipynb - скрипт для обучения модели CatBoost
• LogReg_learning.ipynb - скрипт для обучения модели логистической регрессии