Усовершенствование своими руками

«Восьмерка» в базовой комплектации является достаточно простой, в ней нет современных электронных систем. Это позволяет производить тюнинг ВАЗ-2108 своими руками.

Доработка может быть в следующих областях:

• улучшение внешнего вида автомобиля;
• усовершенствование салона, добавление функциональности и комфорта;
• повышение технических характеристик.

В базовой комплектации конструкция имеет достаточно хорошие аэродинамические характеристики, есть возможность установить современные узлы ходовой части, улучшить или заменить двигатель, усовершенствовать салон.

Выполняя работу собственноручно, человек получает массу положительных удовольствий, удостоверяется в качестве выполненной работы и значительно экономит семейный бюджет.

Усовершенствование салона

К сожалению, в базовой комплектации салон данной модели оставлял желать лучшего. Во время движения присутствуют посторонние шумы, тряска на дорожных неровностях и ряд других недостатков.

Производя тюнинг салона ВАЗ 2108 необходимо сделать следующее:

• установить качественную шумоизоляцию с использованием современных материалов;
• поменять обшивку салона с элементами современного дизайна;
• поставить более удобные кресла с иномарок;
• установить спортивный руль, обладающий лучшей фиксацией;
• поставить электрические подъемники стекол.

Все зависит от желания и финансовых возможностей заказчика. Существуют клубы любителей «зубил», при которых можно найти мастеров, занимающихся доработкой этой модели.

У них найдется масса привлекательных предложений с разным ценовым диапазоном.

Усовершенствование панели

Обладатели «восьмерок» хорошо помнят переднюю пластиковую торпеду, которая изрядно скрипела во время движения.

Заказывая тюнинг панели ВАЗ-2108 следует позаботиться о следующих действиях:

• заменить или качественно закрепить элементы торпеды;
• установить панель с современными электронными датчиками;
• использовать детали с автомобилей последующих выпусков.

Первоначально, панели заводской комплектации были одними из самых «продвинутых» в советской автомобильной промышленности.

К настоящему времени, естественно они устарели. Сейчас на разборках можно найти множество интересных альтернатив с иномарок.

Усовершенствование двигателя

Несмотря на свой незначительный вес в первичной базовой комплектации на «восьмерку» устанавливали бензиновый двигатель объемом 1,3 литра с мощностью в 65 лошадиных сил.

В последующих модификациях использовался мотор с карбюратором в 69 «лошадей» и инжекторный двигатель с 73 «лошадьми».

Осуществляя тюнинг двигателя ВАЗ 2108 можно применить следующие варианты:

• установить инжекторный мотор на 16 клапанов с компрессором, выдающим давление более 0,5 бар и турбиной;
• произвести модернизацию установленного мотора путем увеличения его объема и других доработок;
• поставить более мощный двигатель с иномарки.

Нередко на трассе можно увидеть ничем не привлекательное «зубило», которое с большим преимуществом опережает ряд иномарок более высокого класса.

Много таких автомобилей используется в автогонках. Это происходит вследствие установки узлов спортивной подвески, объем установленного двигателя в несколько раз может превышать силовой агрегат заводской комплектации.

Работа в домашних условиях

Довольно часто тюнинг ВАЗ-2108 производится домашних условиях. Этому способствует ряд условий:

• в силу моральной устарелости такой автомобиль можно приобрести за небольшие деньги;
• после прекращения его выпуска по настоящее время Автозавод ВАЗ выпустил множество моделей, запчасти с которых легко подходят на «зубило»;
• на автомобильных разборках существует огромный выбор деталей с иномарок, превосходно подходящих для доработки этой модели.

Следует помнить, что в первую очередь необходимо позаботиться о безопасности всех участников дорожного движения.

При увеличении мощности мотора необходимо усилить элементы подвески и узлы тормозной системы. Должна соблюдаться гармония и соответствие всех задействованных деталей.

После значительной доработки автомобиль необходимо предоставить в МРЭО для проведения его экспертизы на соответствие действующим нормам Закона.

В противном случае, передвижение на такой технике категорически запрещается. Доработку желательно производить в лицензированных автомобильных мастерских с использованием новых деталей.

Фото тюнинга ВАЗ 2108

175 фото примеров самостоятельной модернизации заводских машин

“Trade in” или меняем авто “ключ в ключ”

Обмен автомобилей “ключ в ключ” отличается от предыдущей услуги тем, что владелец меняет свой автомобиль на подходящую б/у модель при условии соответствующей доплаты.

Эти два относительно новых способа покупки автомобилей исключают риск мошенничества, который распространен в случае, если авто продается “с рук” на рынке. Сделки оформляются ведущими авто компаниями в соответствии с действующим законодательством РФ.

ВАЗ 2108 — лучший объект для тюнинга. Часть первая

Денис [den10031996]

15.11.2017,

Лада 2108 – это автомобиль Волжского автомобильного завода, который открыл эпоху переднеприводного семейства ВАЗ. Этот трехдверный хетчбек начал выпускаться в 1984 году и пользовался бешеной популярностью среди советских покупателей, и до сих пор покоряет просторы СНГ.

С каждым днем «восьмерок» становится все меньше, так как они выпускались 19 лет, так же Лада 2109 была более популярна, и отличает их наличие 5 дверей у «девятки». Сегодня 2108 часто приобретают в качестве первого автомобиля, который может научить водить и чинить машину, да и стоимость их на вторичном рынке в неплохом состоянии начинается от 800уе.

Почему «восьмерка» лучший скелет для тюнинга

Лада является уникальной машине в плане тюнинга, так как это единственная марка, где на каждую деталь, механизм или узел есть тюнинговый аналог, имеющий лучшие характеристики, в том числе и повышенную надежность.

2108 хороший объект для тюнинга, по следующим причинам:

• Стоимость автомобиля с «живым» кузовом очень низкая
• Жесткость кузова на скручивание равна 8200 Нм/град (у 2109 6800 Нм/град)
• Максимально широкий диапазон деталей для тюнинга на самый разный вкус и бюджет
• Поднятие мощности мотора при максимально низком бюджете
• Широкая взаимозаменяемость запчастей с современными автомобилями ВАЗ (110 семейство, Priora)
• Площадка для воплощения самых разных идей тюнинга и стайлинга

Именно вышеперечисленными факторами пользуются люди, которые прибегают к совершенствованию своего автомобиля.

Рассмотрим каждый агрегат и узел, который можно усовершенствовать, это будут:

• Кузов
• Двигатель
• Трансмиссия
• Ходовая часть
• Тормоза
• Рулевое управление
• Усиление каркаса кузова
• Электрооборудование
• Интерьер

Кузов 2108

Кузов 2108 имеет прочную конструкцию благодаря отсутствию задних дверей. В первую очередь необходимо побороться с очагами коррозии, так как устойчивость к коррозии отечественных автомобилей желает оставлять лучшего. Что бы внешне машина выглядела – желательно обновить краску. Расход лакокрасочных материалов сравнительно небольшой, так как машина небольшая, а площадь окрашиваемой поверхности небольшая.

На сегодня существуют методы облегчения кузова, это готовые стеклопластиковые капоты, передние крылья и крышки багажника, которые в первую очередь страдают от коррозии. Установка стеклопластиковых деталей позволит облегчить кузов, а так же устранить появление коррозии на этих деталях навсегда.

Для тех, кто не хочет оставлять стандартные бампера, существуют готовые аэродинамические комплекты обвеса из стекловолокна, стоимость которых достигает максимум 200$, и в их комплект входит передний и задний бамперы и боковая накладка порога.

Что касается оптики, то выбор фар и фонарей так же широк. Компания ProSport выпускает широкую линейку оптики для ВАЗа, поэтому остается лишь выбирать по вкусу.

Двигатель

Изначально Лада 2108 оснащена моторами 1.1, 1.3 и 1.5 литра с карбюраторным впрыском топлива. Если же бюджет слишком мал, а повысить мощность хочется, то ниже будет перечислен план повышения мощности карбюраторного мотора:

Расточка цилиндров до высшего объема;

• Установка коленвала от «Калины», что бы с поршневой 82.0…82.8мм ход поршня был75,6, в итоге составит объем 1.6 литра;
• Облегчение маховика;
• Расточка впускных и выпускных каналов ГБЦ, установка облегченных клапанов и тарелок;
• Установка распредвала с широкими фазами и высоким подъемом кулачка;
• Монтаж двухконтурной системы зажигания;
• Прямоточная система выхлопа;
• Установка карбюратора Solex 21073 с расточкой диффузоров.

Все в сумме даст хорошие динамичные характеристики, но вскоре этой мощности будет недостаточно, поэтому владельцы переднеприводных «зубил» идут путем установки 16 клапанного двигателя от 2112 или «Приоры».

Двигатель 21126 имеет в стоке 98 л.с. благодаря 16-клапанной головке и облегченной шатунно-поршневой группе, но конструкция блока имеет начало от 2108, поэтому без проблем устанавливается на «восьмерку», трудности лишь составит подрезка передней панели, так как двигатель будет завален наперед. Так же большим преимуществом является то, что разработчикам удалось добиться соотношения R/S близкого к идеальному (1,709). Установка двигателя от «Приоры» позволит разгонять «зубило» за 11 секунд, сохраняя ресурс мотора. Если же этого будет недостаточно, то мощность этого мотора можно увеличить до 400 л.с. Так как часто тюнинг ВАЗа бюджетный, рассмотрим повышение мощности мотора 21126 с минимальными вложениями, где мощность будет порядка 150-160 л.с., при этом ресурс упадет незначительно.

Способы тюнинга 16 клапанного мотора

• Установка кованых поршней, размером 82.5мм;
• Поршневые кольца фирмы Mahle, позволяющие держать компрессию выше заводских значений;
• Установка распредвалов с более широкой фазой, что бы полка момента была между 2000-6000 оборотами коленвала в минуту;
• Впускной коллектор с лучшей формой для максимально правильной подачи воздуха в цилиндры;
• Увеличенная дроссельная заслонка;
• Форсунки от «Волги», позволяющие в средней нагрузке «прокормить» тюнинговы мотор;
• Полный комплект прямоточной выхлопной системы;
• Прошивка блока управления двигателя онлайн.

Немаловажно то, что подушки крепления двигателя и КПП нужно ставить усиленные, так как при повышении мощности вибрация будет передаваться сильнее. Вышеперечисленный способ повышения мощности подходит для городского автомобиля, который будет постоянно впереди всего потока машин. Более дорогой метод повышения мощности автомобиля в 2-4 раза, это либо установка четырехдроссельной системы впуска, либо монтаж турбины.

Установка дросселей является спорным моментом, так как имеет сильные недостатки:

• Нестабильный холостой ход
• Сложность подключения ВУТ к коллектору
• Высокая вероятность попадания больших частиц пыли и грязи в цилиндр
• Большой расход топлива

Из-за установки широкофазных распредвалов под дросселя приведет к нестабильной работе двигателя и детонации, поэтому такой метод повышения мощности применяется чаще на кольцевых гонках. Установка турбо так же имеет ряд недостатков:

• Высокая стоимость (1500уе полный комплект).
• Такая система требует частого обслуживания и постоянного контроля за температурой выхлопных газов, соотношения бензина и воздуха, и слежка за своевременном сбросе давления турбины при переключении передач.

Достоинства:

• До 2000-3000 оборотов мотор не проявляет явных признаков большой мощности, и поэтому по передвижение по городу весьма удобное.
• Расход топлива остается небольшим (10-12литров) при мощности 200-250 л.с.

Большой запас мощности.

Продолжение следует…

Обмен авто в кратчайшие сроки

Если возникло желание сменить авто с пробегом путем обмена его новую модель или стать обладателем машины с улучшенной наружной или технической частями, то услуги компании Автоскупки — то, что надо.

Выкуп автомобилей производится в любом состоянии и в любое время. Экспертная оценка специалистов компании позволит сформировать наилучшую цену для конкретного автомобиля. Взамен клиенту будут предложены максимально подходящие модели машин с объективной доплатой.

Как выгодно обменять авто с пробегом

1. Диагностику старой модели, на основании которой будет определена ее стоимость;
2. Выбор машин на обмен, абсолютно новых или обладающих чистой историей пробега: все автомобили проходят криминалистическую экспертизу, потому в автосалоне никогда не будут продавать автомобиль с “темным прошлым”;

3. Юридическое сопровождение сделки: клиент заключает нотариально заверенный договор и при необходимости может воспользоваться кредитными услугами банка-партнера автосалона;
4. Оперативность услуги: клиенту не нужно искать покупателей для своего ТС, он лишен необходимости улаживать вопросы с ГАИ или банком. Перечисленные функции — задача автоцентра.

Читайте тут! Тюнинг ВАЗа своими руками

Таким образом при минимальном наличии документов возможно купить автомобиль улучшенной комплектации в течение от одного до трех дней. Услуга обмена авто с пробегом дает возможность регулярно менять автопарк владельца, приобретая его лучшие модели.

История внедорожных и полноприводных версий «Лады»

11 ноября 2014 Константин Широков фото Autowp.ru, Авторевю

Смотря на внедорожные версии обычных городских авто, такие как Skoda Octavia Scout, например, или Audi A6 Allroad Quattro, поневоле задаешься вопросом, а почему бы и отечественному автопрому не задуматься о таких модификациях с повышенной проходимостью для столь популярных в России переднеприводных «Лад»? Ведь дороги у нас оставляют желать лучшего даже в черте города, а при поездке на дачу или просто на природу автомобилю обойтись без внедорожных качеств практически невозможно.

На деле же выясняется, что такие «вездеходные» версии уже не раз воплощались нашими инженерами в опытных образцах и не только. Началось всё еще в конце восьмидесятых, когда спортсмены штурмовали бездорожье на полноприводных самодельных гибридах с кузовами от «Самар» и узлами, частично заимствованными у «Нивы».

Начинателем рода модификаций с повышенной проходимостью стал «Тарзан», рожденный на свет в 1996 году благодаря совместным усилиям АвтоВАЗа, и дизайнерской . Уникальный автомобиль, построенный на прочной стальной раме, совмещал в себе кузов от ВАЗ-2108 и полноприводную трансмиссию от «Нивы». Подвеска и спереди, и сзади была независимой, а под капотом расположился 1,7-литровый силовой агрегат мощностью 80 л. с. Внешность, к слову, получилась, как говорится, на любителя. Чуть позже появились технически аналогичные авто, позаимствовавшие кузова от моделей ВАЗ-2109, ВАЗ-2111 и ВАЗ-2112. Всего было выпущено несколько сотен «Тарзанов».

В том же 1996 году велась работа над другим полноприводным ВАЗом, но по инициативе . За основу была взята идея спортсменов, которые скрещивали кузов «Самары» с агрегатами от Volkswagen Golf Syncro второго поколения. Любопытный экземпляр с раздаткой, задним редуктором и задней подвеской от «фолькса» и карданной передачей от ВАЗа имел внешность модели 21099 и получил имя римской богини победы — Виктории. Главным недостатком новинки была цена в районе 20 тысяч долларов США, что вдвое превышало стоимость базовой версии.

К концу девяностых над внедорожными модификациями вновь задумались на самом АвтоВАЗе. В 1999 году появился автомобиль, который был почти не отличим внешне от базовой модели ВАЗ-2111 (разве что его высота выросла на пару сантиметров), но был кардинально переработан внутри. Подвеску и полноприводную трансмиссию новичок получил от того же «гольфа», однако раздатка была внедрена собственного производства. Постепенно от импортных деталей и вовсе почти отказались — и задний редуктор, и подвеска были отечественные, но вот вискомуфта GNK по-прежнему заказывалась из-за рубежа. Прототипы ВАЗ-2111 с полным приводом были частыми гостями выставок. АвтоВАЗ планировал наладить мелкосерийный выпуск модели и реализовывать ее по цене около 8500 долларов, но осуществить это не получилось.

Тюнинг ВАЗ 2108. Тюнинг фото.

Продавцом предоставляются следующие гарантии:

1. Для легковых и внедорожных автомобилей BMW  – гарантию на два года на весь автомобиль без ограничения по пробегу, согласно стандартам производителя Автомобиля BMW AG с момента первой регистрации Автомобиля;
Срок гарантии на дополнительное оборудование, которое не было произведено и/или установлено BMW AG, определяется согласно гарантийными условиями производителя и/или фирмы, выполняющей установку соответствующего оборудования;

2.   Гарантия недействительна, если:
·  Продавец своевременно не сообщает о дефекте или не предоставляет возможность незамедлительно устранить дефект, о котором сообщил;
·  Автомобиль был перегружен, неправильно эксплуатировался или использовался для участия в соревнованиях или ралли;
·  Автомобиль видоизменен таким образом, который не принимается BMW AG;
·  Продавцом не были приняты во внимание инструкции и правила по эксплуатации и обслуживанию Автомобиля.

3.   Гарантия недействительна и расходы не покрываются в случае естественного износа Автомобиля, а также при замене комплектующих в случае их естественного износа (шины, свечи, стеклоочистители, тормозные колодки, диски, и т.   д. ). Гарантией не покрываются расходы, связанные с периодическим обслуживанием Автомобиля, регулировкой и проверками, а также с затратами или ущербом, возникшим в результате простоя Автомобиля.

4.   Гарантия становится недействительной по истечении срока, указанного в 1-м пункте.

*BMW AG сохраняет за собой право вносить изменения в некоторые пункты гарантийных условий. Более подробную информацию Вы можете получить у наших специалистов по вопросам гарантии.

Продавцом предоставляются следующие гарантии:

1. Для легковых и внедорожных автомобилей BMW  – гарантию на два года на весь автомобиль без ограничения по пробегу, согласно стандартам производителя Автомобиля BMW AG с момента первой регистрации Автомобиля;
Срок гарантии на дополнительное оборудование, которое не было произведено и/или установлено BMW AG, определяется согласно гарантийными условиями производителя и/или фирмы, выполняющей установку соответствующего оборудования;
·  Смена владельца автомобиля не влияет на гарантийные обязательства Продавца в отношении Автомобиля, на сайте ремонт бмв.

2.   Гарантия недействительна, если:
·  Продавец своевременно не сообщает о дефекте или не предоставляет возможность незамедлительно устранить дефект, о котором сообщил;
·  Автомобиль был перегружен, неправильно эксплуатировался или использовался для участия в соревнованиях или ралли;
·  Автомобиль видоизменен таким образом, который не принимается BMW AG;
·  Продавцом не были приняты во внимание инструкции и правила по эксплуатации и обслуживанию Автомобиля.

3.   Гарантия недействительна и расходы не покрываются в случае естественного износа Автомобиля, а также при замене комплектующих в случае их естественного износа (шины, свечи, стеклоочистители, тормозные колодки, диски, и т.   д. ). Гарантией не покрываются расходы, связанные с периодическим обслуживанием Автомобиля, регулировкой и проверками, а также с затратами или ущербом, возникшим в результате простоя Автомобиля.

4.   Гарантия становится недействительной по истечении срока, указанного в 1-м пункте.

*BMW AG сохраняет за собой право вносить изменения в некоторые пункты гарантийных условий. Более подробную информацию Вы можете получить у наших специалистов по вопросам гарантии.

Так получилось, что советский трехдверный хэтчбек ВАЗ 2108 (Лада Самара, Лада Спутник или же попросту зубило, как его прозвали из-за характерного дизайна) своим появлением открыл абсолютно новую эпоху в советском автомобилестроении. Ведь именно он был первым переднеприводным автомобилем, по многим параметрам выгодно отличающимся от царствовавшей до этого момента классики. ВАЗ 2108 являлся довольно серьезным долгостроем. Идея создания переднеприводного автомобиля и его первый проект появился еще вначале 70-х годов. Однако на тот момент разработки несколько застопорились из-за недостатка технических средств, позволяющих создать машину, которая при таком расположении привода весьма бы комфортно чувствовала себя на отечественных дорогах. Однако проект уже конкретно ВАЗ 2108 был начат только 1977 году.

Через год же был изготовлен и первый прототип. Но до выхода полноценного авто оставалось еще долго первые зубила стали поступать в автомагазины необъятной страны только лишь в 1985 году, став таким образом ровесниками перестройки. И ее одним из главных символов. Еще один момент начиная с восьмерки, ВАЗ отошел от своего сотрудничества с Fiat. Во многом из-за отказа итальянской компании от дальнейшего сотрудничества.

Совместные разработки на этот раз велись вместе с Porshe. И результат отхода от фиатовского наследия, как говорится, налицо. ВАЗ 2108 отличается от предыдущих моделей практически всем, начиная от дизайна и салона, и заканчивая основными техническими узлами. Внешне восьмерка стала одним из наиболее узнаваемых автомобилей, получив от создателей несколько агрессивные формы, приближенные к спортивным. Что характерно, и здесь без итальянцев все же не обошлось, ведь дизайном авто вплотную занималась компания Bertone, родом с Аппенинского полуострова. И это была не последняя иностранная фирма, с которой сотрудничал советский автопром в лице инженеров Волжского автомобильного завода.

Так, тормозную систему восьмерка получила благодаря стараниям компании Lucas, конструкция задней балки была получена в наследство от Volkswagen. И такая сборная солянка позволила получить очень хороший по многим параметрам автомобиль. ВАЗ 2108 был однозначно признан машиной более высокого класса, чем выпущенные перед ней ВАЗ 2107 и ВАЗ 2106. В результате кардинально нового подхода в разработках, удалось избавиться от ряда наследственных болезней, преследующих все классические модели ВАЗа. Лада Самара получила лучшие аэродинамические характеристики, стала более эргономичной.

Автолюбители отметили также, что ВАЗ 2108 стал увереннее вести себя на дороге, лучше слушаться руля, меньше потреблять горючего. Салон также получился заслуживающим похвалы удобные кресла, эргономичные колесо управления. Тем более, что ВАЗ 2108 мог использоваться и в качестве универсала нужно было разложить заднее сиденье и получить достаточно вместительный багажник. Однако и сегодня много кто отмечает, что в целом салон получился достаточно тесным жертва прогрессивному внешнему облику. Изначально Лада Самара комплектовалась бензиновым карбюраторным двигателем объемом 1,3 литра и мощностью 65 л. С.

С 1987 года в ходу стала другая модификация, определявшая использование полуторалитрового двигателя уже на 69 лошадок (ВАЗ 21083). Существовала также и разновидность автомобиля, в которой использовался аналогичный инжекторный двигатель на 73 л. С. Эта модификация получила название ВАЗ 21083i.

Как таковая, в чистом виде Лада Самара ВАЗ 2108 не выпускается уже с 2003-го года. Сегодня же ее можно встретить в лице преемницы ВАЗ 2113, во многом полностью повторяющей как дизайн, так многие технические характеристики оригинальной восьмерки. Автомобиль ВАЗ 2108 в какой-то степени стал воплощением эпохи перестройки и последующих за ней лихих 90-х. Любимая машина рекетиров — о нем часто можно было услышать такое в конце 80-х. Связан этот факт скорей всего с тем, что восьмерка на тот момент была одним из наиболее дорогих и совершенных отечественных автомобилей, но уступавшей в цене активно просачивающимся через железный занавес иномаркам.

Результатом такого положения стало то, что ВАЗ 2108 стал неотъемлемым атрибутом фильмов, повествующих об упомянутом временном периоде. Но для многих Ладушка — это в первую очередь машина, демонстрирующая неплохие спортивные результаты. И именно поэтому широкое распространение получил разнообразнейший тюнинг ВАЗ 2108.

Собственно, мы подошли к другой важной части нашего повествования. В какой-то степени восьмерку можно сравнить с куском сырой глины. Вариантов тюнинга ВАЗ 2108 можно встретить массу на отечественных дорогах и автотрассах встречаются и импровизированные внедорожники, и полноценные корчи, созданные только для быстрых дорог, и волки в овечьей шкуре, внешне ничем не отличающиеся от оригинального авто, но скрывающие под своим капотом куда большее количество лошадок, чем заводская версия.

Короче говоря, тюнинг ВАЗ 2108 занятие творческое. Традиционно тюнинг ВАЗ 2108 включает в себя следующие элементы: стайлинг, тюнинг салона и технический тюнинг ВАЗ 2108. Стайлинг ВАЗ 2108 позволяет получить внешний вид, соответствующий классу спортивного авто, за счет установки тюнингованных боковых зеркал, обвесов, воздухозаборника на капот и крышу, кованых или литых дисков с низкопрофильными покрышками, спойлера или антикрыла. И наконец инсталляции ламбо-петель (двери будут открываться вверх, аналогично спортивным автомобилям Lamborgini. Если кто-то задумал производить тюнинг двигателя ВАЗ 2108, то посоветовать ему можно несколько вариантов, в зависимости от требуемого результата. Наиболее эффективным шагом может стать переход на инжекторный тип двигателя.

Он легче поддается дальнейшему тюнингу, открывая возможность установки 16-ти клапанной ГБЦ, компрессора с избыточным давлением свыше 0,5 бар, турбонаддува. Если вы не имеете возможности перехода на инжектор или по ряду причин желаете сохранить оригинальный карбюратор и сохранить поршневую систему в целости, характеристики мотора можно увеличить путем расширения и шлифовки каналов, установки фильтра нулевого сопротивления, установки равнодлинного коллектора 4-1 или 4-2-1 и многое другое. Помогает в этой ситуации и увеличение объема цилиндров до 1,6-1,8 литров, применив коленвал с увеличенным ходов.

Тюнинг тормозной системы ВАЗ 2108 и тюнинг трансмиссии ВАЗ 2108 в большинстве своем включает комплекс стандартных мероприятий, с которыми вы можете ознакомиться, прочитав статьи о других моделях ВАЗ. Или же обратившись к нам наши специалисты подберут самые оптимальные варианты. .

Навигация по записям

175 фото примеров самостоятельной модернизации заводских машин

Продать старый автомобиль и сразу же купить другую модель авто. Эта заманчивая идея отлично реализуется программой “Trade in” или услугой обмена авто “ключ в ключ”. Популярные в западных странах, процедуры одновременного выкупа старого в счет стоимости нового авто пока являются новинками на российском рынке. В чем же их преимущества? Поговорим об этом далее.

“Trade in” или меняем авто “ключ в ключ”

Обмен автомобилей “ключ в ключ” отличается от предыдущей услуги тем, что владелец меняет свой автомобиль на подходящую б/у модель при условии соответствующей доплаты.

Эти два относительно новых способа покупки автомобилей исключают риск мошенничества, который распространен в случае, если авто продается “с рук” на рынке. Сделки оформляются ведущими авто компаниями в соответствии с действующим законодательством РФ.

Тюнинг рулевого управления, подвески, опоры мотора, системы охлаждения, тормозов и колес

Подвеска «Восьмерки» подвергается «обстрелу» тюнинга по причине перенасыщенности рынка деталями: пружинами, стойками, опорами (шаровыми) и другим.

Если не повезло и подвеска «убита», то лучше оборудовать ВАЗ 2108 новыми надежными компонентами.

При тюнинге желательно обратить внимание на усиление задней опоры. Если применить дополнительные резинки, то на неровностях не будет выбиваться передача.

«Родные» амортизаторы спокойно можно поменять на подходящие для ВАЗ импортные амортизаторы, подшипники и стабилизатор – на аналогичные детали от модели 2110.

Система охлаждения действительно требует доработки, желательно удлинить крепеж радиатора, установить тумблер включения вентилятора, заменить датчик. Хомуты на патрубок хорошо бы поставить импортные.

Тормозная система «Восьмерки» достаточно надежна и имеет не так уж много недостатков

Эффективность тормозов можно повысить, установив вентилируемые диски и колодки заслуживших доверие фирм (к примеру, Ferodo).

Стоит закрепить бачок главного цилиндра, заменить штуцер 8-мм.

Установка дорогостоящих импортных суппортов, дисковых задних тормозов и гидравлического привода – это уже «игры» любителей основательного тюнинга, желающих сделать из «Восьмерки» гоночный автомобиль и тех, кто «за ценой не постоит».

Диски и шины – дело вкуса, нужно учесть, что 14-дюймовые или даже 17-ти дюймовые колеса вызывают быстрый выход подшипников из строя, так что без полной переделки всего агрегата увлекаться таким тюнингом не стоит.

Прочие моменты доработки продиктованы не практическими соображениями, а исключительно желанием подарить своей «Восьмерке» «норковую шубу».

Импортные пыльники, рули «из красного дерева» – обыкновенно эстетические и личностные предпочтения из разряда «любовь к искусству».

Обмен авто в кратчайшие сроки

Если возникло желание сменить авто с пробегом путем обмена его новую модель или стать обладателем машины с улучшенной наружной или технической частями, то услуги компании Автоскупки — то, что надо.

Выкуп автомобилей производится в любом состоянии и в любое время. Экспертная оценка специалистов компании позволит сформировать наилучшую цену для конкретного автомобиля. Взамен клиенту будут предложены максимально подходящие модели машин с объективной доплатой.

Тюнинг салона «Восьмерки» (ВАЗ 2108)

Скажем честно, салон ВАЗ 2108 не дотягивает ни до одной импортной «тачки», в частности, до комфорта салона французских производителей, которые славятся невероятным обеспечением удобства.

Один из существенных недостатков «Восьмерки» — тесное место водителя.

Панели от Fiat, сиденья от Ford – это, возможно, для кого-то и глупость, но для кого-то – единственный шанс создать уют в своем авто. Пример такого тюнинга салона для ВАЗ 2108 можно увидеть на фото.

Необходимым элементом, который стоит добавить, является тахометр. Остальные усовершенствования можно сравнить с желанием «жить красиво» и «не хуже других».

В чем же плюсы переоборудования интерьера салона «Восьмерки»

В отличие от комфортных импортных тачек, где приходится «кушать, что дают», можно сделать тот оригинальный интерьер, которого не будет ни у кого.

Ручку переключения передач делают короче, дополнительное освещение тоже понадобится. Рулевую колонку иногда меняют на подобную деталь от ВАЗ 2109.

Как выгодно обменять авто с пробегом

1. Диагностику старой модели, на основании которой будет определена ее стоимость;
2. Выбор машин на обмен, абсолютно новых или обладающих чистой историей пробега: все автомобили проходят криминалистическую экспертизу, потому в автосалоне никогда не будут продавать автомобиль с “темным прошлым”;

3. Юридическое сопровождение сделки: клиент заключает нотариально заверенный договор и при необходимости может воспользоваться кредитными услугами банка-партнера автосалона;
4. Оперативность услуги: клиенту не нужно искать покупателей для своего ТС, он лишен необходимости улаживать вопросы с ГАИ или банком. Перечисленные функции — задача автоцентра.

Читайте тут! Тюнинг Газели — модернизация, характеристики и варианты улучшения Газели (95 фото и видео)

Таким образом при минимальном наличии документов возможно купить автомобиль улучшенной комплектации в течение от одного до трех дней. Услуга обмена авто с пробегом дает возможность регулярно менять автопарк владельца, приобретая его лучшие модели.

ВАЗ 2108: Тюнинг кузова

Дизайн ВАЗ 2108 относительно архаичен, кузов «Восьмерки» сделан прочно.

Проблематичными являются: крепление рулевой рейки и полка радиатора (нижняя).

Результаты этих небольших недоработок — трещины в полке и ее ослабление.

И если приходит беда, а она с качеством наших дорог приходит обязательно, то автовладельцы приваривают снизу, листом 2мм раллийную, спортивную полку, вваривая ее и сверху, прихватывая лонжероном и соединяя ее сваркой с креплением кронштейнов.

Любители «серьезного тюнинга» любят «громоздить» детали на кузов под завязку, а за компанию тонировать стекла и усиливать достаточно неэффективную звукоизоляцию. Если на все это находятся средства, то почему нет?

С чего начать тюнинг?

Естественно, что модернизацию автомобиля следует начинать именно с двигателя. Бортового компьютера по умолчанию здесь не предусмотрено, но поставить его не проблема. Впоследствии это даст возможность легко и быстро провести так называемый чип-тюнинг, то есть оптимизацию работы мотора посредством внесения новых настроек в работу программной оболочки. Выполнить такой тюнинг ВАЗ 2108 своими руками не составит труда, если иметь при себе компьютер с COM-портом и модифицированный файл прошивки. Можно потратить несколько дней и самостоятельно всему этому научиться — сложного там ничего нет.

Если же бортовой компьютер ставить не планируется, то можно первым делом отрегулировать работу карбюратора либо расточить цилиндры, тем самым увеличив объем камеры сгорания. Это даст прирост в 15-25% в плане производительности, но вместе с тем вырастет и количество потребляемого топлива.

Подойдет и такой тюнинг, как установка нагнетателя. С его помощью удастся увеличить мощность еще на 20-30%, но при этом «кушать» мотор станет незначительно больше. Правда, установку нагнетателя выполнить в домашних условиях достаточно сложно. Именно эту процедуру лучше доверять специалистам фирменного сервисного центра ВАЗ.

Еще в 2108 можно изменить звук работы двигателя, а точнее, выхлопа. Вот тут вариаций очень много, поэтому останавливаться отдельно на каждой из них нерационально. Многие сторонние производители выпускают модифицированные вариации выхлопа, рассчитанные как на одну, так и две выхлопные трубы. Некоторые из них также снабжены катализатором, который нейтрализует токсины выхлопных газов. Для того, кто привык заботиться об окружающей среде, это весьма важная функция.

И последнее, что позволит увеличить предельно допустимую мощность двигателя, — это установка прямого впрыска. Но такая модификация потребуется разве что в тех случаях, когда автомобиль используется для участия в гоночных соревнованиях и т. п. В повседневной жизни это будет излишним.

Придаем индивидуальности автомобилю ВАЗ-2108. Салон: Тюнинг своими руками

В середине восьмидесятых Волжский автозавод начал выпуск G8. На тот момент салон автомобиля ВАЗ-2108, тюнинг которого практикуется до сих пор, имел улучшенную компоновку и практичность. Его серийное производство было завершено в 2005 году, на смену ему пришли более модернизированные модификации. Тем не менее, владельцы «классики» модифицируют автомобиль, делая его уникальным и неповторимым.

Приборная панель

Отечественные автомобили отличаются доступностью и широкими возможностями модернизации.А развитие промышленности дало множество устройств, направленных на эстетическое и практическое усовершенствование транспорта.

Давайте разберемся, как можно обновить интерьер модели ВАЗ-2108. Специалисты по тюнингу рекомендуют начинать с торпеды. Владельцы, которые просто пытаются заменить надоевшие детали новыми элементами, могут не адаптироваться к настройкам автомобиля. Такая ошибка приводит к сбоям в показаниях приборов и их неточности. Оптимальный вариант — установка галогенной ленты по периметру панели.

Это позволит преобразить внутреннее оборудование автомобиля и не слепит вам глаза ночью. В качестве альтернативы подойдет неоновая или ксеноновая конструкция. Он ярче, но несколько сложнее в установке.

Багажный отсек

Тюнинг ВАЗ-2108 — не единственная возможность улучшить машину. Несмотря на то, что создать из ствола что-то уникальное не так уж и просто, у многих специалистов и мастеров есть свои достижения в этом направлении.

Багажный отсек используется для вещей, но можно сделать из него место для установки современной аудиоаппаратуры. Есть несколько вариантов модернизации багажника. Вполне нормально, что водители держат в нем «запаску», домкрат и еще какой-то инструмент. А для того, чтобы все это выглядело эстетично, достаточно просто установить фанерный лист чуть выше пола багажника. Получается, своеобразный горизонтальный шкаф, который для удобства можно разделить на две половины и снабдить петлями.

ВАЗ-2108 тюнинг салона своими руками

Преобразить внутреннее оборудование «восьмерки» можно переноской карпет. Этот материал достаточно популярен на современном авторынке. В продаже много оттенков, что позволяет подобрать цветовую гамму интерьера на свой вкус. Ковролин хорошо растягивается, обладает высокой износостойкостью, подходит для отделки потолка, дверей, панелей и других деталей. Для закрепления материала желательно использовать специальный клей, соблюдая инструкцию по его применению.

Дополнительно салон автомобиля ВАЗ-2108 (тюнинг мы рассматриваем в нашей статье) может быть укомплектован карбоновыми вставками или специальной пленкой для обтяжки. Работа с углем требует вакуумной установки, а пленку можно установить более простым способом. Рассматриваемые материалы подходят для оформления следующих деталей:

• дверные ручки;
• приборная панель;
• ручки переключения передач;
• декоративные элементы.

Карбоновые вставки используются только в качестве элементов декора.Брать их за основу при оформлении интерьера не рекомендуется, так как интерьер не будет иметь полностью презентабельный вид.

Прочие внутренние улучшения

На модернизацию салона повлияли не только визуальные изменения, но и улучшение комфорта. Часто хозяева используют для этого шумоизоляционные материалы. Как правило, такое изделие представляет собой пластиковую пленку вязкого продукта, которая при нагревании плавится и заполняет трещины и дыры, способствуя дополнительной звукоизоляции автомобиля.После установки таких материалов необходимо полностью заменить внутреннюю обшивку.

Еще один вариант тюнинга салона ВАЗ-2108 — это низкая панель и замена сиденья. Если самостоятельно сделать бюджетное улучшение путем замены кожуха и рессор сиденья, необходимо произвести определенные манипуляции:

1. Снять старое оборудование.
2. Снимите изношенные пружины и установите новые детали.
3. Построить обновленную раму сиденья.
4. Придайте им товарный вид с помощью новой обивки и различных вставок.

Если вы не хотите возиться с таким ремонтом самостоятельно, вы можете просто купить новые спортивные сиденья, которые легко найти в торговых точках или интернет-магазинах. Естественно, что такая трансформация салона автомобиля выльется в более круглую сумму.

Доработана ходовка ВАЗ-2108 заменой привода. Не все владельцы согласны на такую ​​модификацию, так как это трудоемкий и сложный процесс. Замена часто производится из-за сломанного штатного кольца и плохого управления.В принципе, элемент может сломаться даже внутри, но не все специалисты могут разобрать гранату для замены запчасти. Лично при наличии определенных навыков деталь разбирают и меняют на новую модель.

ВАЗ-2108 — тюнинг (фото салона)

Обновить салон автомобиля более дешевыми и простыми способами вполне возможно. Например, обновить чехлы на сиденья. Ассортимент данной продукции неограничен, для автомобилей вы можете выбрать оптимальную вариацию по дизайну и стильному дизайну.

Самыми распространенными продуктами в этом сегменте являются универсальные чехлы. Их преимущество заключается в возможности выбора практически под любую модель автомобиля. Они изготовлены из эластичного сырья, просты в установке и устойчивы к износу.

Единственным недостатком специалисты называют несоответствие чехлов и самих сидений по размеру (если разница в размерах слишком велика). При этом изделия либо чрезмерно растягиваются, либо складываются, что снижает эстетичность дизайна и срок службы чехлов.

Мощность

В рассматриваемом автомобиле ВАЗ-2108 салон (тюнинг которого может производиться разными способами) очень удобен и позволяет реализовывать различные дизайнерские решения. Хорошим вариантом отделки салона станут экологически чистые кожаные чехлы, которые изготавливаются на заводе без добавления химикатов. Такой материал износостойкий, хорошо сидит на сиденьях, имеет доступную цену, безвреден для взрослых и детей. Основная проблема в том, что найти в открытом доступе чехлы из экологически чистой кожи проблематично.

тюнинг своими руками

В середине восьмидесятых на Волгаавтомобильном заводе началось производство G8. На тот момент салон автомобиля ВАЗ-2108, тюнинг которого практикуется до сих пор, имел улучшенную компоновку и практичность. Его серийное производство было завершено в 2005 году, на смену ему пришли более модернизированные модификации. Тем не менее, владельцы «классики» дорабатывают автомобиль, делая его уникальным и неповторимым в своем роде.

Приборная панель

Отечественные автомобили хороши своей ценовой доступностью и широкими возможностями для модернизации.А развитие промышленности дало множество приспособлений, направленных на эстетическое и практическое улучшение транспорта.

Давайте разберемся, как можно обновить салон модели ВАЗ-2108. Специалисты по тюнингу рекомендуют начинать с торпеды. Владельцы, которые пытаются просто заменить надоевшие детали новыми элементами, могут не приспособиться к настройкам автомобиля. Подобная ошибка приводит к сбоям в показаниях приборов и их неточности. Оптимальный вариант — установка галогенной ленты по периметру панели.

Преобразит внутреннее оборудование автомобиля и не будет слепить глаза ночью. В качестве альтернативы подойдет неоновый или ксеноновый просвет. Он ярче, но несколько сложнее в установке.

Грузовой отсек

Тюнинг салона ВАЗ-2108 — это не единственная возможность улучшить машину. Несмотря на то, что создать из ствола что-то уникальное не так уж и просто, у многих специалистов и народных умельцев есть собственный опыт в этом направлении.

Багажный отсек используется для вещей, но можно выделить место для установки современной аудиоаппаратуры. Есть несколько вариаций модернизации багажника. Это нормально, что водители хранят в нем «запаску», домкрат и еще какой-то инструмент. А чтобы такой вид выглядел эстетично, достаточно просто установить фанерный лист чуть выше пола багажника. Получается своеобразный горизонтальный шкаф, который для удобства можно разделить на две половины и снабдить петлями.

Тюнинг салона ВАЗ-2108 своими руками

Преобразить внутреннее оборудование G8 можно с помощью ковролина. Этот материал достаточно популярен на современном авторынке. В продаже имеется множество его оттенков, что позволяет подобрать цветовую гамму салона на свой вкус. Ковер хорошо тянется, обладает высокой износостойкостью, подходит для отделки потолка, дверей, панелей и других деталей. Для фиксации материала желательно использовать специальный клей, соблюдая инструкцию по его применению.

Кроме того, салон автомобиля ВАЗ-2108 (тюнинг мы рассмотрим в нашей статье) может быть укомплектован карбоновыми вставками или специальной пленкой для навешивания. Работа с углем требует вакуумной установки, и пленку можно установить более простым способом. Рассматриваемые материалы подходят для компоновки следующих деталей:

• дверные ручки;
• панель приборов;
• ручки переключения передач;
• декоративные элементы.

Карбоновые вставки используются только в качестве элементов декора.В качестве основы дизайна салона брать их не рекомендуется, поскольку интерьер будет иметь не очень презентабельный вид.

Прочие внутренние улучшения

На модернизацию салона повлияли не только визуальные изменения, но и улучшение комфорта. Часто для этого хозяева используют шумоизоляционные материалы. Как правило, такое изделие представляет собой пластиковую пленку вязкого продукта, которая при нагревании плавится и заполняет щели и щели, способствуя дополнительной звукоизоляции автомобиля.После установки таких материалов необходимо полностью заменить обшивку салона.

Еще один способ сделать тюнинг салона ВАЗ-2108, — низкая панель и замена сидений. Если самостоятельно сделать бюджетное улучшение путем замены корпуса и рессор сидений, необходимо произвести определенные манипуляции:

1. Демонтировать старое оборудование.
2. Снимите изношенные пружины и установите новые детали.
3. Построить обновленный каркас сидений.
4. Придать им товарный вид с помощью новой обивки и различных вставок.

Если нет желания возиться с таким ремонтом в одиночку, можно просто купить новые спортивные сиденья, которые легко найти в торговых точках или интернет-магазинах. Естественно, что такая трансформация салона автомобиля выльется в более округлую сумму.

Ходунки ВАЗ-2108 доработаны сменным приводом. Не все владельцы согласны на такую ​​модификацию, так как это трудоемкий и сложный процесс. Замена часто бывает связана с поломкой штатного кольца и ухудшением управляемости.В принципе, элемент может сломаться даже внутри, но не все специалисты могут демонтировать гранату для замены запчастей. Собственно, при определенных навыках деталь разбирают и меняют на новую модель.

ВАЗ-2108 — тюнинг (фото салона)

Обновить салон автомобиля более дешевыми и простыми способами вполне возможно. Например, обновить чехлы на сиденья. Ассортимент данной продукции неограничен, для автомобилей вы можете выбрать оптимальную вариацию по дизайну и стилю.

Самым распространенным товаром в этом сегменте являются универсальные чехлы. Их преимущество заключается в возможности выбора практически под любую модель автомобиля. Они изготовлены из эластичного сырья, просты в установке и устойчивы к износу.

Единственным минусом специалисты называют несоответствие чехлов и самих сидений по размерам (если разница в размерах слишком велика). При этом изделия либо чрезмерно растягиваются, либо складываются, что снижает эстетичность дизайна и срок службы чехлов.

Заключение

В рассматриваемом автомобиле ВАЗ-2108 салон (тюнинг которого может быть реализован по-разному) очень удобен и позволяет реализовывать различные дизайнерские решения. Удачным вариантом отделки салона станут экологически чистые кожаные чехлы, которые изготавливаются на заводе без добавления химикатов. Такой материал прочен, имеет хорошую посадку, имеет доступную цену, безвреден для взрослых и детей. Основная проблема в том, что чехлы из экологически чистой кожи проблематично найти в свободном доступе.

Классификация спутниковых и сценарных изображений на основе передаточного обучения и точной настройки ResNet50

Классификация изображений привлекла большое внимание из-за ее применения в различных задачах компьютерного зрения, таких как дистанционное зондирование, анализ сцены, наблюдение, обнаружение объектов и поиск изображений. Основная цель классификации изображений — присвоить изображениям метки классов в соответствии с их содержимым. Приложения классификации изображений и анализа изображений в дистанционном зондировании важны, поскольку они используются в различных прикладных областях, таких как военные и гражданские области.Ранние подходы к дистанционному зондированию и анализу сцены основывались на представлении низкоуровневых функций, таких как особенности на основе цвета и текстуры. Вектор локально агрегированных дескрипторов (VLAD) и представления неупорядоченного набора функций (BoF) являются примерами подходов среднего уровня для классификации изображений дистанционного зондирования. Последние тенденции в области дистанционного зондирования и классификации сцен сосредоточены на использовании сверточной нейронной сети (CNN). Принимая во внимание успех моделей CNN, в этом исследовании мы стремимся точно настроить ResNet50 с помощью сетевой хирургии и создания сетевой головки вместе с точной настройкой гиперпараметров.Обучение гиперпараметрам настраивается с помощью планировщика скорости обучения с линейным убыванием, известного как кусочный планировщик. Для настройки гиперпараметра оптимизатора используется стохастический градиентный спуск с моментумом (SGDM) с использованием коэффициентов скорости изучения веса и смещения. Эксперименты и анализ проводятся с использованием пяти различных наборов данных, а именно: UC Merced Land Use Dataset (UCM), RSSCN (набор данных изображений для классификации сцен дистанционного зондирования), SIRI-WHU, Corel-1K и Corel-1.5K. Анализ и результаты конкурентов показывают, что предлагаемая нами модель, основанная на классификации изображений, может классифицировать изображения более эффективным и действенным образом по сравнению с современными исследованиями.

1. Введение

Классификация и анализ изображений является активной областью исследований, и существует множество приложений автоматической классификации изображений в областях компьютерного зрения, таких как распознавание образов, поиск изображений, распознавание объектов, дистанционное зондирование, распознавание лиц, анализ текстильных изображений, автоматическое обнаружение болезней, географическое картирование и обработка видео [1–3]. В любой модели, основанной на классификации изображений, основная цель исследования — присвоить изображениям метки классов.Группа изображений используется в качестве обучающих выборок, а изучение модели на основе классификации выполняется с использованием обучающего набора данных. После обучения тестовый набор данных назначается обученной модели для прогнозирования меток классов изображений. На основе предсказания тестового набора данных изображения могут быть расположены в семантическом и значимом порядке. Выбор отличительных и уникальных характеристик всегда полезен, поскольку он может повысить производительность любой системы, основанной на классификации [4–6]. При дистанционном зондировании проблема классификации изображений является более сложной, поскольку объекты вращаются в пределах вида, а фон обычно более сложен [7].Спутники, беспилотные летательные аппараты и воздушные системы используются для захвата наборов данных изображений, которые используются для оценки исследований дистанционного зондирования [7]. Согласно недавним обзорам [8, 9], существует три основных подхода, которые можно использовать для классификации цифровых изображений, и они основаны на (i) представлении признаков низкого уровня [10], (ii) представлении признаков среднего уровня [ 11–14] и (iii) подходы, основанные на сверточной нейронной сети (CNN) [7].

На рисунке 1 представлена ​​блок-схема CCN, которая состоит из нескольких иерархических слоев, включая слои карты функций, слои классификации и полностью связанные слои.CNN берет входное изображение, обрабатывает его и классифицирует по определенным категориям / классам, например, слон, цветок, кошка и собака. В глубокой CNN входное изображение проходит через серию слоев, называемых сверточными слоями с определенными фильтрами (ядрами), объединяющими слоями, полностью связанными слоями и, наконец, слоями классификации. Обычно первым слоем в CNN является сверточный слой, который генерирует карты признаков с помощью фильтров [15, 16]. Фильтры, которые используются в сверточных слоях, могут выполнять такие операции, как обнаружение краев, размытие и повышение резкости.Карты признаков, созданные сверточными слоями, передаются на слои выборки, чтобы уменьшить размер надвигающихся слоев. Они помогают уменьшить размер параметров при большом размере входного изображения. Размер уменьшен таким образом, что важная информация сохраняется, а ненужная информация опускается. Затем карты функций преобразуются в векторы и передаются полностью связанным слоям. Наконец, функция активации и функция классификации классифицируют изображения по соответствующим категориям.За обратным распространением следует CNN для более эффективного выполнения процесса классификации [8].

На рисунке 2 представлены различные уровни классификации изображений дистанционного зондирования: (i) уровень пикселей, (ii) уровень объекта и (iii) уровень сцены [8]. Согласно литературным источникам [8, 17], ранние исследовательские модели классификации изображений дистанционного зондирования основывались на уровне пикселей или уровне субпикселей. Причиной такой классификации является низкое разрешение спутникового изображения, поскольку устройства захвата не способны создавать изображение с высоким разрешением, поскольку доступная информация представлена ​​в виде мелких пикселей [18, 19].Благодаря недавнему прогрессу в технологии визуализации, пространственное разрешение изображений дистанционного зондирования увеличивается, и появляется возможность захватывать визуальные эффекты более семантическим способом [8]. По этой причине при классификации спутниковых изображений нецелесообразно уделять больше внимания пиксельному уровню [8]. Блашке и Штробл [20] пришли к выводу, что для классификации изображений дистанционного зондирования более выгодно сосредоточиться на классификации на уровне объектов, а не на анализе на уровне пикселей. Авторы предположили, что объектный анализ изображений дистанционного зондирования более эффективен и семантичен по сравнению с предыдущими подходами, основанными на анализе на уровне пикселей.За последние два десятилетия были опубликованы значительные исследования, посвященные классификации на уровне объектов для изображений дистанционного зондирования [18, 19]. Позже, в связи с развитием технологий устройств захвата изображений, изображения дистанционного зондирования могут содержать множество классов объектов [8]. Таким образом, в этом случае первые два подхода на уровне пикселей и на уровне объекта могут не иметь значения. По этой причине считается, что изображения можно классифицировать в глобальном контексте, и фокус исследований смещается на использование классификации изображений дистанционного зондирования на уровне сцены.Классификация изображений на уровне сцены считается важным подходом к представлению визуальной информации в виде отличительных признаков [8]. В последние два десятилетия исследовательское сообщество компьютерного зрения прилагает активные усилия для разработки отличительных функций, таких как масштабно-инвариантное преобразование признаков (SIFT) [21], ускоренные надежные функции (SURF) [22], гистограмма ориентированных градиентов ( HOG) [23] и максимально устойчивые экстремальные области (MSER) ​​[24]. Пакет функций (BoF), сопоставление пространственных пирамид (SPM) и вектор локально агрегированных дескрипторов (VLAD) — это примеры простых и эффективных моделей кодирования, которые использовались в различных областях дистанционного зондирования и классификации сцен [25 , 26].В связи с недавним увеличением размера и количества обучающих изображений использование моделей CNN и графического процессора (GPU) считается текущими тенденциями исследований. Концепция, представленная Хинтоном и Салахутдиновым с использованием многослойных нейронных сетей, послужила основой для исследований в области глубокого обучения [27].

Подробные обзоры литературы о классификации изображений с помощью дистанционного зондирования и использовании последних тенденций в моделях глубокого обучения можно найти в [8, 17, 28, 29]. Согласно литературе, наиболее популярными архитектурами CNN являются AlexNet [30], сеть VGG [31], Residual Network (ResNet) [32] и GoogLeNet [33].В AlexNet [30] имеется 08 уровней, в сети VGG — 19, а в GoogLeNet [34] — 22 уровня. ResNet50 основан на ResNet с 50 уровнями и вдохновлен идеей создания более глубоких слоев с более высоким значением точности классификации для сложных задач [35]. Обычно в нейронных сетях, когда мы увеличиваем количество слоев, точность классификации начинает ухудшаться, в то время как эта проблема решается остаточным обучением [35]. Вот основные результаты этого исследования: (i) Мы оптимизировали ResNet50, используя сетевую хирургию и создание сетевой головки вместе с тонкой настройкой гиперпараметров.(ii) Обучение гиперпараметрам настраивается с помощью планировщика скорости обучения с линейным убыванием, известного как кусочный планировщик. Для настройки гиперпараметра оптимизатора используется стохастический градиентный спуск с моментумом (SGDM) с использованием коэффициента скорости изучения веса и смещения. (Iii) Эксперименты и анализ проводятся на пяти различных наборах данных, то есть на наборе данных UC Merced Land Use Dataset ( UCM), RSSCN (набор данных изображений для классификации сцен дистанционного зондирования), SIRI-WHU, Corel-1K (1000 изображений) и Corel-1.5K (1500 изображений).Анализ и результаты конкурентов показывают, что предлагаемая нами модель, основанная на классификации изображений, может классифицировать изображения более эффективным и действенным образом по сравнению с современными исследованиями.

Остальная часть документа организована следующим образом: Раздел 2 посвящен обзору литературы и обсуждению соответствующих исследований, основанных на классификации изображений дистанционного зондирования, Раздел 3 представляет предлагаемую точно настроенную ResNet50 и предоставляет подробную информацию о параметрах ResNet50, Раздел 4 посвящен описание тестов изображений, которые используются для оценки этого исследования, Раздел 5 посвящен результатам, экспериментальным значениям, обсуждению и сравнениям, а Раздел 6 завершает предлагаемое исследование, основанное на точно настроенном ResNet50.

2. Связанные работы

Анализ изображений на основе содержимого широко используется в различных прикладных областях компьютерного зрения и в области компьютерного зрения в реальном времени [36, 37]. Классификация изображений по их содержанию, внешнему виду и зрительному восприятию человека рассматривается как открытая исследовательская проблема [38]. Подходы к классификации изображений с помощью дистанционного зондирования в целом подразделяются на три группы в зависимости от типа и использования визуальных подсказок, то есть подходы, основанные на визуальных характеристиках низкого уровня, подходы, основанные на особенностях среднего уровня, и подходы к извлечению признаков высокого уровня [ 11, 39].Мы тщательно отобрали новейшие современные подходы из вышеупомянутых категорий, которые показали результаты аналогичных тестов изображений. Более ранние исследования по дистанционному зондированию и классификации сцен сформулированы на использовании визуальных признаков низкого уровня [40, 41]. Халид и др. [40] уменьшил семантический разрыв и предложил эффективное представление изображения на основе векторных признаков. Подход, основанный на гистограммах, используется для вычисления вектора признаков изображений. Авторы извлекли автокоррелограмму, используя формат RGB, после чего следует мгновенное извлечение.Эффективность повышается за счет применения дискретного вейвлет-преобразования (DWT) с несколькими разрешениями, а для вычисления кодовой книги используется пространственная кластеризация приложений с шумом на основе плотности (DBSCAN). Различные варианты машины опорных векторов (SVM), K-ближайших соседей (KNN) и дерева решений (DT) используются для классификации изображений, и авторы представили всестороннее сравнение с использованием разных классификаторов. Предлагаемое исследование на основе DBSCAN оценивается на трех общедоступных наборах данных, то есть Corel-1K, Corel-1.5K и Corel-5K [40]. Raja et al. [41] предложил подход к анализу изображений на основе содержимого, основанный на извлечении признаков из цветных изображений. Область интереса на изображении вычисляется с помощью производных первого порядка. Из-за близости к человеческому зрительному восприятию гистограммы HSV (оттенок, насыщенность, значение) используются для представления цветового пространства. Нейронные сети (NN) используются для классификации изображений / присвоения меток классов, а результаты сообщаются при использовании тестов Corel-1K и Corel-5K [41].Desai et al. [42] предложили представление изображения, основанное на слиянии различных функций. Авторы выбрали комбинацию визуальных функций низкого уровня, таких как DWT, дескриптор краевой гистограммы (EHD), оператор Собеля, инвариант момента (MI), гистограмма ориентированных градиентов (HoGs) и локальный двоичный шаблон (LBP). Различные комбинации низкоуровневых визуальных функций оцениваются для сортировки наиболее надежного представления изображения. Согласно опубликованным значениям результатов [42], комбинация низкоуровневых функций с SVM превосходит все другие комбинации функций.Шиха и др. [43] предложил гибридное представление изображения, и низкоуровневые атрибуты изображений вычисляются с использованием комбинации цвета, формы и текстуры. Авторы вычислили гибридный вектор признаков (HFV), используя интеграцию трех различных визуальных атрибутов. Нейронная сеть с прямой связью, известная как Extreme Learning Machine (ELM), обучается при использовании входных данных как HFV. Для повышения производительности системы к ELM применяется обратная связь по релевантности (RF). Производительность предлагаемой системы оценивается с использованием тестов изображений Corel-1K, Corel-5K, Corel-10K и GHIM-10.

Aslam et al. [14] предложили позднее слияние функций среднего уровня на основе модели BoF. По мнению авторов, позднее слияние представлений изображений среднего уровня может повысить производительность модели, основанной на классификации изображений. В этом исследовании [14] предлагается позднее слияние масштабно-инвариантного преобразования признаков (SIFT) и гистограммы ориентированных градиентов (HOG) с использованием модели представления BoF. Машина опорных векторов (SVM) применяется для классификации гистограмм, созданных на основе позднего слияния двух функций среднего уровня.Предлагаемое позднее слияние оценивается с использованием тестов Corel-1K и Corel-1.5K. Yu et al. [44] предложил для классификации подход высокого порядка с многооконным стохастическим обучением на основе расстояния (HD-MSL). По словам авторов, предлагаемый подход к обучению (HD-MSL) основан на комбинации функций, а информация о маркировке вычисляется с применением вероятностной структуры. Сопоставление пространственных пирамид (SPM) и модель BoF используются для представления различных подходов на основе категоризации изображений среднего уровня.Зафар и др. [12] заявили, что SPM может фиксировать только абсолютное пространственное распределение визуальных слов и не устойчив к преобразованиям изображения, таким как перевод, переворачивание и поворот. Различительная способность SPM ухудшается, если изображения плохо выровнены, и по этой причине Zafar et al. [12] предложили представление изображения, которое может вычислять относительную пространственную информацию на основе гистограммы модели мешка визуальных слов (BoVW). Для достижения цели авторы исследовали глобальную взаимосвязь идентичных визуальных слов с центроидом изображения.Для оценки этого исследования используются пять тестов изображений [12]. Али и др. [11] заявили, что точность классификации беспорядочных гистограмм на основе BoF страдает из-за недоступности пространственных ключей изображения. Подходы, которые сосредоточены на разделении изображений на подблоки для захвата пространственных подсказок, не могут обрабатывать вращения. В случае классификации изображений дистанционного зондирования эти пространственные подсказки могут повысить способность к обучению и точность классификации обученной модели [11]. Авторы предложили в [11] представление изображения на основе вектора с инвариантным вращением, которое может вычислять пространственные подсказки с помощью гистограмм ортогональных векторов.Результаты вычисляются с использованием трех общедоступных тестов спутниковых изображений (SIRI-WHU, RSSCN и AID) [11]. На рисунке 3 показан пример классификации изображений на основе модели CNN. Тонкая настройка используется с трансферным обучением для настройки параметров предварительно обученной модели CNN с использованием нового набора данных с другим количеством классов. Этот процесс полезен, поскольку обучение проводится с небольшой скоростью обучения за счет уменьшения количества эпох обучения [7, 45]. По данным Петровской и соавт. [7], в последнее время основное внимание в исследованиях классификации изображений уделяется использованию предварительно обученных CNN.Авторы [7] использовали CNN для извлечения признаков, а затем было выполнено обучение с использованием этих извлеченных признаков. Трансферное обучение было реализовано авторами с целью точной настройки с использованием предварительно обученных CNN. Машина опорных векторов (SVM), ядра радиальной базисной функции (RBF) используются для классификации изображений. Планировщик скорости обучения с линейным затуханием и циклические скорости обучения используются для настройки гиперпараметра сети, а регуляризация сглаживания меток используется для предотвращения переобучения.Shafaey et al. [46] исследовали производительность модели глубокого обучения для классификации изображений дистанционного зондирования. Подробный обзор представлен с рассмотрением таких моделей глубокого обучения, как AlexNet, VGGNet, GoogLeNet, Inception-V3 и ResNet101. Дерево решений (DT), Random Forest (RF), K-Nearest Neighbor (KNN), Naïve Bayes (NB) и SVM используются для прогнозирования меток классов, а результаты сравниваются с вышеупомянутыми моделями глубокого обучения. Подробное количественное сравнение результатов представлено с учетом семи общедоступных наборов данных [46].В другом исследовании Zhao et al. [47] заявили, что остаточная плотная сеть (RDN) обладает большей способностью к обучению, поскольку может использовать информацию, доступную в сверточных слоях. Авторы разработали RDN, который основан на пространственно-канальном внимании для классификации изображений дистанционного зондирования. На первом этапе элементы многослойной свертки объединяются с использованием остаточных плотных блоков, а на следующем этапе применяется модуль пространственно-канального внимания для повышения эффективности функций. С учетом требований к обучению применяется увеличение данных, а классификация выполняется с помощью классификатора softmax.Предлагаемое исследование Zhao et al. [47] оценивается при использовании тестов изображений UCM и AID.

3. Предлагаемый метод исследования

Предлагаемая методология направлена ​​на повышение точности классификации изображений при использовании модели CNN. Принимая во внимание высокую производительность модели, мы выбрали для оценки остаточную сеть (ResNet50). ResNet50 — это краткая форма остаточной сети с 50 уровнями. Когда исследователи начали использовать фразу «чем глубже, тем лучше» в моделях глубокого обучения, они столкнулись с некоторыми проблемами.«Чем глубже сеть, тем лучше ее производительность»; эта теория оказалась ошибочной, когда глубокая сеть с 52 слоями дала плохие результаты по сравнению с сетями с 20–30 слоями [32]. Сообщается о нескольких прогнозах этого снижения производительности модели, и наиболее подходящей причиной этого являются исчезающие градиенты. Когда сеть слишком глубокая, значение градиента уменьшается до 0, что приводит к тому, что веса не обновляются, и в результате обучение не выполняется.На рисунке 4 показаны явления исчезающих градиентов.

Глубокие сети столкнулись со многими сложностями, включая оптимизацию сетей, деградацию и, самое главное, исчезающие градиенты. Согласно литературе, точная настройка предварительно обученной сети CNN может повысить точность классификации в соответствующей области [48, 49]. ResNet50 обучается в ImageNet, который состоит из почти 1,2 миллиона изображений, характеристики и веса которых передаются следующей задаче с использованием той же предварительно обученной сети.Тонкая настройка работает и обрабатывает новую задачу с разным количеством классов и категорий. Количество эпох, называемых итерациями, используемых для обучения настроенной сети, меньше по сравнению с обучением модели с нуля. Мотивация использования предварительно обученных сетей состоит в том, чтобы повысить точность за счет использования концепции «трансферного обучения». Трансферное обучение относится к технике машинного обучения, которая позволяет передавать информацию, полученную из одной области, для решения аналогичных задач в связанной области.Рекомендуется использовать разработанную и обученную для задачи модель в качестве отправной точки задачи, аналогичной обученной [50]. Исследователи использовали разные обозначения, чтобы описать разные концепции трансферного обучения, чтобы определить его. Домен и задача — это две основные концепции трансферного обучения, которые объясняются математически. Передаточное обучение определяется арифметически, чтобы сделать картину более ясной [51]. Домен состоит из двух частей: пространства признаков и маргинального распределения [51].

Здесь представляет набор экземпляров (называемый набором экземпляров), который поясняется как. Задача состоит из функции принятия решения и пространства меток; то есть

Начальный домен, называемый источником, относящийся к основной задаче (источнику), анализируется по количеству пар вхождение-метка; то есть, ; Наблюдение за целевым доменом обычно включает неназначенные вхождения и / или ограниченные помеченные вхождения.

Здесь мы сообщаем о некоторых наблюдениях, связанных с исходными доменами и задачами, то есть, и наблюдениями, соответствующими целевым доменам и задачам, то есть; на основе знаний, подразумеваемых в исходной (ых) области (ах), эффективность усвоенных функций принятия решений усиливается с помощью передачи обучения в целевой (ых) области (ах).

Глубокая нейронная сеть (DNN) ResNet50 настраивается с помощью «сетевой операции». В процессе сетевой хирургии последние слои предварительно обученной сети удаляются. Слои, удаленные из сети, — это слои «fc1000», «fc1000 softmax» и «ClassificationLayer fc1000». Затем эти слои заменяются новыми слоями. Новые уровни, введенные в архитектуру, создают «сетевую головку». Состав сетевого заголовка представляет собой комбинацию трех уровней: полностью связанный уровень с WeightLearnRateFactor, которому присвоено значение 20, и BiasLearnRateFactor, имеющим значение 20.Второй добавленный слой — это новый слой softmax, и, наконец, новый слой классификации добавляется к головной части сети. Скорость обучения называется размером шага (который представляет собой количество весов, обновляемых во время обучения) на каждой итерации модели. Это, пожалуй, самый важный гиперпараметр для настройки нейронной сети. Это настраиваемый гиперпараметр, который можно изменять в соответствии с потребностями для повышения производительности модели. Кривая обучения, также известная как функция, выражается как [52], где представляет собой прогрессирующее среднее время, называемое совокупной (или стоимостью) на единицу, это прогрессирующее / растущее количество произведенных единиц, показывает время, необходимое для получения первой единицы , и = журнал скорости обучения / log2.Скорость обучения в нашей модели изменена, и начальная скорость обучения назначается модели, которая составляет 0,001, в то время как применяется график скорости обучения, который будет использоваться для модуляции того, как скорость обучения оптимизатора изменяется с течением времени [53]. При обучении моделей нейронных сетей предлагается снижать скорость обучения с учетом прогресса обучения. Скорость обучения снижается при использовании заранее определенного расписания; В нашем случае мы использовали кусочный график скорости обучения. С увеличением эпох или итераций скорость обучения уменьшается с использованием заранее определенного расписания.Математическая форма, которая используется для вычисления скорости обучения (уменьшения), имеет вид [54], где — шаг итерации, — скорость обучения на th шаге, и — скорость убывания. По мере обучения правило обновляет скорость обучения, уменьшая знаменатель. Поскольку n инициализируется нулем, к знаменателю добавляется 1, чтобы он не был равен нулю.

Мы использовали стохастический градиентный спуск с моментумом (SGDM) в качестве оптимизатора. Это помогает векторам градиента ускоряться в том направлении, в котором они должны двигаться.Использование SGDM улучшает процесс конвергенции. Математическое представление SGDM дается следующим образом [55]:

Импульс, набранный при th повторении для th параметра, равен. Гиперпараметр, контролирующий импульс, равен. SGDM — это улучшенная версия SGD с лучшей скоростью сходимости, чем предыдущая. На рисунке 5 показана предлагаемая методология исследования, а на рисунке 6 — процесс точной настройки.

Остаточная сеть (ResNet) решила проблемы, связанные с глубокими сетями, с добавлением нового уровня нейронной сети, называемого остаточным блоком.Идея решения функции идентичности с помощью нейронной сети казалась простой, и, следовательно, выход функции становится самим входом. Следующее уравнение представляет функцию идентичности, которая считается наиболее важной при решении проблемы глубоких архитектур [32].

Предоставляя входные данные начального уровня модели в качестве выходных данных последнего уровня, предполагается, что модель будет изучать и предсказывать все, что она изучала, до добавления входных данных.

Приведенные выше уравнения важны, и они формулируют концепцию «пропуска соединения» и отображения идентичности.Сопоставление идентификаторов — это простая концепция, не имеющая параметров. Его основная функция — добавить результат нисходящих слоев к предыдущим слоям. На схеме ниже показана архитектура ResNet50 со всеми слоями. Когда и имеют одинаковые размеры, процесс следует одним и тем же уравнениям; однако иногда размеры обоих и не совпадают. В этом случае вводится коэффициент умножения, чтобы соответствовать ярлыкам или пропустить соединение. Поступая таким образом, и становятся входными данными следующего слоя, как объясняется следующим уравнением:

Это уравнение используется, когда и имеют разные размеры.добавляет в модель дополнительные параметры, что помогает избежать проблем двойственной размерности. С помощью ResNet градиенты могут перемещаться, используя пропуски соединений, обратно к начальным слоям, не затрагивая все слои. В архитектуре ResNet50 существуют разные группы идентичных уровней, и каждая группа отличается другим цветом, используемым на рисунке 7. Линии кривой представляют пропуск соединения или сопоставление идентичности, через которое входные данные предыдущего уровня передаются в следующие уровни.Эти пропускаемые соединения являются ключевыми функциями, которые помогают ResNet преодолевать проблемы деградации и исчезающих градиентов. На рисунке показано, что первый слой представляет собой сверточный слой с размером и 64 ядрами, за которым следует максимальный уровень объединения. Далее идет блок одинаковых слоев, разделенных разными цветами. Кривые на рисунке 7 представляют собой пропускные соединения. Общие параметры ResNet50 составляют 23,521 М. Проблема многомерного ввода решается путем введения двух ярлыков. Эти ярлыки представляют собой ярлык идентификации и ярлык проекции.Ярлык идентификации выполняет простую операцию по обходу ввода для оператора сложения. Ярлык проекции гарантирует, что входные данные при операции сложения имеют одинаковый размер, и выполняет операцию свертки, чтобы сделать это возможным.

Для повышения эффективности и компетентности модели выполняется процесс точной настройки. Это очень важный процесс, и для повышения точности и оптимизации выполняются небольшие изменения при тщательном наблюдении.Изменения, которые вносятся с целью тонкой настройки, настолько важны, что сильно влияют на тренировочный процесс. Мы повторяем процесс тонкой настройки снова и снова, чтобы повысить точность нашей модели. В таблице 1 показаны параметры, которые повлияли на точность и производительность нашей модели.

901Описание набора данных Для анализа эффективности реализованного метода использовались различные тесты классификации изображений, которые широко используются в литературе. В таблице 2 приведены сведения об общем количестве классов, изображениях на класс, количестве изображений на класс и общем количестве изображений в эталонном тесте, пространственном разрешении изображения и размерах: (i) RSSCN: набор данных классификации сцены дистанционного зондирования [59] содержит изображения, собранные с помощью Google Earth Engine, и охватывает обширные области.RSSCN состоит из 7 классов типичных изображений сцены, имеющих размер 400 400 пикселей. На Рисунке 8 показаны произвольно отобранные образцы этих классов и территорий. Дальнейшее описание этого эталонного теста изображений можно найти в [59]. (Ii) SIRI-WHU: описание, такое как размер изображения, общее количество изображений, изображения на класс и дата создания, можно найти в [56]. Изображения имеют пространственное разрешение 2 м при размере изображения 200 200 пикселей. На рисунке 9 показаны случайно выбранные изображения, полученные из каждого класса набора данных SIRI-WHU.(iii) UC Merced Land Use Dataset: описание, такое как размер изображения, общее количество изображений, изображения для каждого класса и дата создания, можно найти в [57]. Всего существует 21 отличительная категория сцен с 100 изображениями на класс и размерами 256 256 пикселей. На рисунке 10 показаны произвольно выбранные примеры каждой категории, включенной в набор данных. (Iv) Corel-1K: третий набор данных, используемый для экспериментов, — это Corel1K [58], состоящий из 1000 различных изображений. Набор данных изображений Ванга разделен на 10 семантических категорий.Каждая категория состоит из 100 экземпляров с размером изображения 256 384 для портретной или 384 256 для альбомной ориентации. На рисунке 11 показаны изображения, выбранные без разбора из эталонного теста изображений Corel1K. (V) Corel-1.5K: последний набор данных, использованный в наших экспериментах, — эталонный тест изображений Corel-1.5K, который является подмножеством набора данных изображений Corel [58]. Набор данных состоит из 1500 изображений, разделенных на 15 семантических категорий. На рисунке 12 показаны произвольно выбранные образцы из каждого класса набора данных. Параметр Значение Эпохи 100 902 902 902 с моментумом) Скорость обучения По кусочному планировщику Распад По умолчанию Моментум По умолчанию 9017 902 902] 571218 902 902 902 902 902 Набор данных Классы Изображения на класс Всего изображений Пространственное разрешение Размер изображения 400 2800 — 400400 SIRI-WHU [56] 12 200 2400 2 м 200 200 100 2100 0.3 м 256 256 Corel-1K [58] 10 100 1000 — 256 384 или 384 256 Corel-1.5K [58] 100 1500 — 256 384 или 384 256 901 с использованием HP-ENVY-x360, с процессором Intel Core-i7-7500U, 2.7 ГГц 2,9 ГГц, 16 ГБ ОЗУ, 64-разрядная ОС Windows 10 и 256 ГБ SSD в качестве основного хранилища для ОС; и соотношение обучение: тестирование 70:30 используется для всех экспериментов. В этом разделе представлены подробные сведения об используемых оценочных показателях и всестороннее обсуждение результатов. Наиболее широко используемый показатель для оценки эффективности классификации — это точность классификации ( A ), определяемая как общее количество экземпляров (изображений), правильно классифицированных и разделенных на общее количество экземпляров (изображений) в рассматриваемом наборе данных.Математически это выражается следующим образом: где tp обозначает истинные положительные результаты, tn обозначает истинные отрицательные результаты, fp обозначает ложные срабатывания, а fn обозначает ложноотрицательные результаты. Точность ( P ) и отзыв ( R ) очень часто используются для оценки производительности систем классификации изображений. Точность — это эквивалент отношения правильно классифицированных изображений к общему количеству классифицированных изображений. Здесь tp представляет правильно классифицированное изображение, а fp представляет неправильно классифицированные изображения, также известные как ложные срабатывания. Отзыв — это доля правильно классифицированных изображений от общего количества связанных изображений, имеющихся в базе данных. Математическая форма отзыва: Здесь fn обозначает ложноотрицательные изображения, которые принадлежали к правильному классу, но были неправильно классифицированы классификатором. F — оценка является результатом гармонического среднего значения точности и полноты; его более высокое значение является символом лучшей предсказательной способности системы. Одной только точности или отзыва недостаточно для оценки производительности систем.Оценка F математически может быть выражена как Здесь P и R представляют точность и отзыв, соответственно. F -оценка используется для сравнения производительности в тех сценариях, где один подход имеет более высокую точность, но более низкую частоту отзыва, чем сравнительный подход. 5.1. Результаты теста RSSCN Image Benchmark Точность классификации и эффективность предлагаемого подхода по сравнению с результатами современных исследований показаны в таблице 3.Здесь предлагаемое исследование, основанное на точно настроенном ResNet50, превосходит подходы, основанные на функциях среднего уровня, то есть RGSIR [12] и POVH [11], на 10,56% и 7,93% соответственно, которые основаны на низкоуровневых функциях. особенности ручной работы. В таблице 3 приведен количественный анализ и сравнение предложенного настроенного ResNet50 с методами, основанными на архитектурах глубокого обучения. Очевидно, что предлагаемое исследование достигает наивысшей точности классификации по сравнению с методами, основанными на моделях глубокого обучения, то есть AlexNet, GoogLeNet, Inception-V3, VGG-VD-16 и CaffeNet, превосходя эти методы на 6.4%, 6,16%, 5%, 4,82% и 3,75% соответственно. V3 [46] 902 [39] 87.18 Название алгоритма / модели Точность классификации (%) RGSIR [12] 84.07 AlexNet [46] 85,6 GoogLeNet [39] 85,84 Inception-V3 [46] 87 87 CaffeNet [39] 88,25 ResNet50 92 Изображение 13 демонстрирует точность, отзывчивость изображений Faset и 90N-8sc для . используя предложенное исследование. Оценка F важна, поскольку, если значения точности или отзыва очень низкие, оценка F помогает сбалансировать два показателя. Чем выше оценка F , тем лучше результаты: 0 — наихудший возможный результат, а 1 — лучший.Хорошая оценка F свидетельствует о хорошей точности и значимости отзыва. Средняя точность, отзывчивость и оценка F для эталонного теста изображений RSSCN составляют 92,74%, 92,84% и 92,76% соответственно. На рисунке 14 показана матрица неточностей из теста RSSCN image. Матрица неточностей суммирует производительность алгоритма классификации и дает представление о том, насколько правильными были прогнозы и насколько они соответствуют фактическим значениям. На графике матрицы неточностей строки соответствуют истинному классу, а столбцы соответствуют прогнозируемому классу.Значения диагонали соответствуют правильно классифицированным наблюдениям. Недиагональные значения указывают на неправильную классификацию наблюдений. 5.2. Результаты для SIRI-WHU Image Benchmark Экспериментальные результаты для набора данных изображений SIRI-WHU представлены в таблице 4. Очевидно, что общая точность классификации предлагаемого исследования выше, чем у исследования, выбранного для сравнения. POVH [11] использует атрибуты или объекты среднего уровня и фиксирует пространственные атрибуты, которые считаются очень важными для классификации спутниковых изображений.Предлагаемое исследование, основанное на высокоуровневых функциях, превосходит POVH на 13,89%. Далее проводится сравнение предлагаемого исследования с моделями глубокого обучения. Предлагаемое исследование на основе ResNet50 превосходит современные модели глубокого обучения VGGNet, Inception-V3, GoogLeNet и AlexNet на 7,43%, 5,03%, 4,73% и 3,83% соответственно. 902 902 902 902 902 Название алгоритма / модели Точность классификации (%) POVH [11] 80.14 VGGNet [46] 86,6 Inception-V3 [46] 89 GoogLeNet [46] 89,3 ResNet50 94,03 Таблица 5 показывает точность, отзыв и оценку F для каждого класса эталонного теста изображений SIRI-WHU. Средняя точность, отзыв и оценка F для набора данных изображений SIRI-WHU составляют 94.03%, 94,19% и 94,02% соответственно. 902 902 9017 9017 9017 9017 9017 902 902 902 902 902 902 902 902 902 902 902 902 902 94,19 Название класса Точность (%) Отзыв (%) F -оценка (%) 902 100 100 Коммерческий 95 95 95 Гавань 95 95 95 9023 91,38 89,83 Промышленное 95 96,61 95,8 Луг 86,67 88,14 902 902 902 9017 9017 902 902 902 902 902 902 902 902 902 902 902 9017 Парк 88,33 96,36 92,17 Пруд 98,33 85,5 91,47 Жилой 96.67 95,08 95,87 Река 88,33 98,15 92,98 Вода 98,33 98,33 94,02 На рисунке 15 показана матрица неточностей для набора данных изображений SIRI-WHU. 5.3. Результаты теста UCM Image В этом подразделе мы обсудим результат теста UCM Image. В таблице 6 представлено сравнение предложенного настроенного ResNet50 с недавно опубликованными моделями исследований и глубокого обучения. Хорошо видно, что предлагаемый подход, основанный на ResNet50, достигает наивысшей точности классификации по сравнению с соответствующими исследованиями. В [46] авторы использовали модель глубокого обучения Inception-V3, и их заявленная точность составила 6.В 68% раз меньше по сравнению с предлагаемым исследованием. Авторы в [60] предложили подход, основанный на слиянии низкоуровневых функций с высокоуровневыми функциями ResNet, и использовали SVM в качестве классификатора. Предлагаемый подход обеспечивает на 3,97% более высокую точность классификации по сравнению с подходом, основанным на слиянии признаков [60]. Предлагаемое исследование превосходит AlexNet, GoogLeNet, CaffeNet и VGG-VD-16 на 3,58%, 3,47%, 2,76% и 2,57% соответственно. Название алгоритма / модели Точность классификации (%) Inception-V3 [46] 91.1 SVM [60] 93,81 AlexNet [46] 94,2 GoogLeNet [39] 94,31 CaffeG2 -VD-16 [39] 95,21 ResNet50 97,78 В таблице 7 показаны точность, отзывчивость и класс F -score для каждого UCCM. ориентир. 10017 902 902 9027 902 902 среднее 902 902 — оценка для набора данных изображений UCM — 97.78%, 97,83% и 97,77% соответственно. На рисунке 16 показана матрица неточностей для набора данных изображений UCM. Здесь мы видим, что большинство классов правильно классифицировано, и основная путаница наблюдается между классами резервуаров для хранения и зданиями, средними жилыми помещениями и плотными жилыми домами. Это связано с тем, что классы средней и плотной застройки перекрываются и различаются по плотности застройки. 5.4. Результаты для Corel-1K Image Dataset Тест изображения Corel-1K является третьим набором данных, который использовался для экспериментов в этом исследовании.В таблице 8 представлено сравнение предложенного исследования с современными исследованиями. Очевидно, что предлагаемое исследование обеспечивает наивысшую точность и превосходит современные подходы, основанные на функциях среднего и высокого уровня. В [43] гибридный вектор признаков создается путем интеграции трех визуальных атрибутов, а именно цвета, текстуры и формы. Экспериментальная оценка и анализ показывают, что реализованный метод превосходит многие современные подходы, основанные на различных гибридных системах.Предлагаемое исследование обеспечивает наивысшую точность по сравнению с современными исследованиями, тем самым превосходя исследования Li et al. [61], Аслам и др. [14], SCNN-ELM [61], MKSVM-MIL et al. [62], Raja et al. [41], Desai et al. [42], Ю. и др. [44], а также Шиха и др. [43] на 26,16%, 15,74%, 12,68%, 11,8%, 10,34%, 8,8%, 1,02% и 0,5% соответственно. Название класса Точность (%) Отзыв (%) F -оценка (%) 902 100 100 Самолет 100 100 100 Бейсбольный алмаз 100 100 100 10017 10017 10017 Пляж Дом 100 85.71 92,31 Чапараль 100 100 100 Плотный жилой дом 90 100 94,74 100 94,74 100 Река 100 96,77 100 Автострада 100 100 100 Поле для гольфа 100 100 93,55 95,08 Пересечение 96,67 87,88 92,06 Парки для мобильных домов 100 100 902 902 902 902 98,31 Редкие жилые 100 100 100 Эстакада 96,67 100 98.31 Парковка 100 100 100 Река 100 93,75 96,77 Накопительные баки 80217 80 суд 96,67 100 98,31 Среднее значение 97,78 97,83 97,77 Название алгоритма / модели Точность классификации (%) Li et al.[61] 70,84 Aslam et al. [14] 81,26 SCNN-ELM [61] 84,32 MKSVM-MIL et al. [62] 85,2 Raja et al. [41] 86,66 Desai et al. [42] 88,2 Yu et al. [44] 95,98 Shikha et al. [43] 96,5 ResNet50 97 Таблица 9 демонстрирует классовую производительность теста Corel-1K image F с точки зрения точности, запоминаемости 9018 — . счет.Средние значения точности, отзыва и оценки F для эталонного теста изображений Corel-1K составляют 97%, 97% и 96,99% соответственно, что демонстрирует хорошие результаты прогнозирования в рамках предлагаемого исследования. 902 902 902 902 902 902 902 902 902 902 902 902 902 902 902 902 902 902 96,99 Название класса Точность (%) Отзыв (%) F -Оценка (%) 902 902 902 902 902 90 90 Пляж 86.67 86.67 86.67 Строительство 100 100 100 Автобус 100 100 100 100 Слон 100 100 100 Цветок 100 100 100 Продукты питания 100 96.77 98,36 Лошадь 100 100 100 Горный 93,3 96,55 94,92 На рисунке 17 показана матрица неточностей, вычисленная при использовании эталонного теста изображений Corel-1K. Видно, что все классы правильно классифицированы, кроме африканского, пляжного и горного.Основная путаница существует между категориями «Африканский» и «Пляж», поскольку в обоих классах можно наблюдать похожие объекты. 5.5. Результаты для Corel-1.5K Image Dataset В таблице 10 показаны экспериментальные результаты для эталонного теста Corel-1.5K image. Числовые значения, представленные в этой таблице, показывают, что точность классификации, полученная с помощью предложенного точно настроенного ResNet50, выше, чем у исследований, основанных на методах гибридных функций. Предлагаемое исследование на основе ResNet50 достигает 33.На 2% выше точность по сравнению с SIFT [14], на 27,6% выше точность по сравнению с HOG [14] и на 18,41% выше точность по сравнению с подходом, представленным в [14] и превосходит [40] на 0,66%. Следовательно, можно с уверенностью заключить, что предлагаемое исследование, основанное на ResNet50, обеспечивает лучшую производительность для классификации сцен по сравнению с соответствующими современными исследованиями. Название алгоритма / модели Точность классификации (%) Аслам и др.[14] 66,36 Aslam et al. [14] 71,69 Aslam et al. [14] 81,15 Khalid et al. [40] 98,9 ResNet50 99,56 В таблице 11 представлено сравнение точности, отзыва и изображения F для Corel по классам. Средняя точность, отзывчивость и F — оценка для Corel-1.Набор данных изображения 5K составляет 99,56%, 99,78% и 99,66% соответственно. Высокая точность означает низкий уровень ложных срабатываний, а высокий уровень отзыва означает низкий уровень ложных отрицательных результатов. Хорошая оценка F указывает на низкий уровень ложных срабатываний и низкий уровень ложноотрицательных результатов, а также на способность модели правильно идентифицировать экземпляры. Оценка F из 1 считается идеальной, в то время как оценка F из 0 означает, что модель полностью провалилась. Название класса Точность (%) Отзыв (%) F -Оценка (%) 96,67 96,67 Пляж 100 100 100 Здание 100 100 100 0 902 9621167 902 902 902 902 Пещера 100 100 100 Динозавр 100 100 100 Слон 100 100 100 100 Продукты питания 100 100 100 Лошадь 100 100 100 Модель 100 98,31 Гора 100 100 100 Живопись 100 100 100 100 Тигр 100 100 100 Среднее значение 99,56 99,78 99.66 На рисунке 18 показана матрица неточностей для эталонного теста изображений Corel-1.5K. Здесь мы видим, что почти все классы правильно классифицированы, и только по одному неправильно классифицированному экземпляру в каждой из категорий «Африка» и «Модель». 5.6. Анализ временных характеристик Помимо точности классификации, анализ временных характеристик предлагаемой системы является важным параметром, который следует учитывать при определении ее эффективности.Здесь временной анализ выполняется во время тестирования модели, который основан на времени тестирования всей предложенной модели. На рисунке 19 показано сравнение времени для всех наборов данных изображений, используемых для экспериментов, представляющее время для изображения, время для класса и время для всего набора данных изображения. Из рисунка 19 можно сделать вывод, что с увеличением количества изображений или усложнением данных время, используемое для тестирования модели, увеличивается. Следовательно, можно сделать вывод, что время обучения прямо пропорционально размеру наборов данных изображений.В таблице 12 показано сравнение времени предлагаемого подхода с современными исследованиями с точки зрения времени на одно изображение для классификации. Очевидно, что предлагаемый подход эффективен в вычислительном отношении по сравнению с современными исследованиями. Набор данных UCM Предложено 0,0740 Предварительно обученная CNN с SVM 90 [6312] 902.76 Предварительно обученная CNN с ELM [63] 0,89 Набор данных Corel-1K Предложено 0,08013 902 902 902 EODH [65] 5,6 6. Заключение Дистанционное зондирование, дистанционное восприятие, классификация изображений и категоризация считаются сложными областями исследований в области компьютерного зрения.Недавние исследования в этой области сосредоточены на изучении новой модели глубокого обучения, которая может повысить точность классификации. В этой исследовательской статье мы доработали ResNet50, используя сетевую хирургию и создание сетевой головки, а также тонкую настройку гиперпараметров. Обучение гиперпараметрам было настроено с помощью планировщика скорости обучения с линейным убыванием, известного как кусочный планировщик. Для настройки гиперпараметра оптимизатора использовался стохастический градиентный спуск с моментумом (SGDM) с использованием коэффициента скорости изучения веса и смещения.Эксперименты и анализ проводились с пятью различными наборами данных, а именно: UC Merced Land Use Dataset (UCM), RSSCN (набор данных изображений для классификации сцен дистанционного зондирования), SIRI-WHU, Corel-1K и Corel-1.5K. Анализ и результаты конкурентов показали, что предлагаемая нами модель, основанная на классификации изображений, может классифицировать изображения более эффективным и действенным образом по сравнению с современными исследованиями. Общая производительность любой модели глубокого обучения зависит от наличия обучающих выборок.В будущем мы стремимся изучить эффективный ResNet50, когда будет доступно меньшее количество обучающих выборок. Большинство моделей глубокой сети обучаются с использованием естественных изображений, таких как ImageNet, в то время как изображения дистанционного зондирования отличаются от естественных изображений, поскольку они получены с разных удаленных датчиков. Еще одно возможное направление будущих исследований — изучить трансфертное обучение с использованием комбинации естественных изображений и изображений, полученных с помощью дистанционного зондирования. Доступность данных Подробная информация об использованных данных включена в эту рукопись. Конфликт интересов Авторы заявляют об отсутствии конфликта интересов. Tinonzwa nomumwe motokari ВАЗ-2108. Салон: Тюнинг nemaoko ake Пакати песана ремакоре восьмидесятых годов, кусунунгурва «мазере» акатанга Волжский автомобильный завод. Panguva iyoyo, мотокари салон ВАЗ-2108, тюнинг iyo dzaiitwa kuti ikozvino, aiva nani marongerwo uye юзабилити. Серийный kugadzirwa kunyorwa muna 2005 uye chikatsiviwa модернизированный Bhaibheri. Кунянге звакадаро, варидзи «Классика» вари йокученеса мотокари, звичиита якасияна невамве адзо. приборная панель Отечественные мотокари зваканака квайо доступность уе ракапамхамха звингангойтика мазуваано кваво. Kugadzirwa indasitiri akapa mano mazhinji zvainanga Kusimudzira эстетическая уе иношанда звифамбисо. Ngatitarisei kuti unogona dzifambirane muenzaniso Салон ВАЗ-2108. Тюнинг ньянзви дзинокурудзира кути кутанга Авангард. Варидзи, вари куэда кунгоита куцива хакунакидзи машоко мацва окунзе, хавагони аджайране мотокари пазвирува. kukanganisa kwakadaro kunotungamirira vainyeperwa michina uye kururama kuverengwa.Яканакисиса нзира ири хвокугадза галоген тепи памусоро пемапуранга мукомбередзо. Изви звичаита кути кучиня зватири Snap-motokari uye haangazvidembi dazzle meso enyu usiku. Sezvo imwe nzira yokutaura, neon kana xenon Clearance. Zviri chichiwedzera, asi zvikuru zvakaoma kuisa. mukwende nzvimbo Тюнинг ВАЗ-2108 mutakurwi mupanda — handiyo chete mukana kuvandudza motokari. Pasinei chokwadi kuti kubva hunde chokusika chinhu rakasiyana hakusi nyore, munharaunda ino zvavo vaita, pane zvakawanda nyanzvi uye mhizha. Cargo nzvimbo inoshandiswa zvinhu, asi iwe unogona kuita nzvimbo kugadzwa ano zvakarekodhwa michina. Pane misiyano inoverengeka hunde kuti mazuvaano. Звакаджаирика кути ватьяири вачириченгета «харингакупембедзи тай», мамве Джек невамве звукушандиса. Uye kuti vose vakatarira nemachira zvinofadza, chete hwokugadza plywood pepa iri zvishoma kupfuura hunde paburiro. Звачинджа кубва чинджикира кабинет, изво звиванакире иногона купатсанурва вакаита мапока мавири мавири уйе вакагадзирира памве звамагонхи анэ мхандо. Тюнинг мукати Ваз-2108 немаоко аке Рокучиня звокунярадза Фурнитура кути «масере» аногона перетяжка Ковер. Izvi zvinhu zviri yakakurumbira zvikuru motokari wanhasi. Kutengeswa ane mamwe noruvara ayo, izvo zvinoita kuti asarudze ruvara zano mukati kuti nezvaanoda wako. Ковер зваканака рвакатамбанудзва, анэ якаквирира немишонга купфека, якакодзера кушонгедзва кумусоро, микова, укомба уе дзимве нхенго. Kugadzirisa zvinhu zviri zvinodiwa kushandisa chaiwo guruu, tichitevera mirayiro kushandiswa kwayo. Мукуведзера, мотокари Салон ВАЗ-2108 (Тюнинг найо чатичакурукура муньяя ино) иногона вакагадзирира памве кабхони иноиса кана фириму чайво вайсона. Kushanda kabhoni faibha kunoda Vacuum midziyo, uye firimu inowanikwa hwokugadza nyore nzira. Zvinhu zviri mubvunzo zviri yakakodzera rekuronga zvinotevera mashoko: musuo Pazvibato; приборная панель; гия рычаги; украшение звинху. Углерод inoisa varic chete yakashandiswa zvinhu.Нокути хваро мукати звакагадзирва хайна варумбидзва кутора квавари, нокути мукати ачава куняцоти зваканака. Другие звемукати кувандудзика Musi mazuvaano rezvemukati kwete chete kukanganisa ziso адаптации, asiwo kuvandudzika tichitarisa kunyaradzwa. Izvi Кажинджи варидзи kushandisa inzwi kuputira zvinhu. Кажинджи мунху чигадзирва якадаро рине эпураситики фирму рин вязкий нзира йо ири кудзийиса иноньюнгудука уе анозадза пакакороморва уйе макацемука, звикаита кути мамве звукоизоляция мотокари.Пашуре куиса звинху звакадаи анофанира куцивива звачосе звокунярадза Trim. Imwe nzira sei kuita Tuning mukati Vaz-2108 — Low emadziro uye kutsiva zvigaro. Кана кубудиса бхаджети пачаво кувандудзика ако куцива Trim uye chigaro namatsime, zvinokosha kuita zvimwe манипуляции: Gujunura yekare michina. Bvisa zvaipfekwa chitubu uye kuisa zvikamu zvitsva. Кувака читсва чигаро пуранга. Kuvapa mharidzo mutsva обивка uye inoisa siyana. Кана, используяадэ куенда куканганиса фамба чете кугадзирисва пачако, уногона кунготи кутенга митамбо звицва звигаро звири ньоре кувана му нехоро кана паинданети звиторо. Сэзвингатарисирва, квакадаро Кушандурва мотокари мукати кугума кумативи читсама. Ходовка Ваз-2108 нани кубурикидза куцива с приводом. На yakadaro nadzurudzo haribvumirani vose varidzi, sezvo yava nguva yakawanda uye chakaoma muitiro. Замена inowanzonzi yakabereka nokuda поломка nguva dzose zvindori uye kuparara kuzvidzora.Pfungwa, mashoko chingasataurwa kubviswa, kunyange mukati, asi kuti gujunura magirinedhi yokutsiva nhengo havasi vose nyanzvi. Pachake, pamberi zvimwe unyanzvi, kuti chinhu chiri разобранный uye chikatsiviwa muenzaniso Itsva. ВАЗ-2108 — Тюнинг (Фото салон) Ingangodaro agadziridze richienda muchina husingakoshi uye nyore nzira. Somuenzaniso, kunatsurudza yenyu chigaro cover. Модель сияна звигадзирва изви рингепери, нокути мота уногона кусарудза оптимальная кусияна магадзирирво стильно якашонгедзва. Обложка inonyanya chigadzirwa mu chidimbu ichi var zvakasikwa. Kunakisa kwavari zvingangoguma chienderane chero motokari womuenzaniso. Иво vakaita ane kwakavharwa nenyama zvinhu, zviri nyore kuisa uye nemishonga dzokupfeka. Недостаток чете ньянзви инонзи несоответствие ринофукидза уйе гадзаи пачаво памусоро сайзи (Кана мусияно кукура кукуру). Munyaya ino, kana akanyanyisa akatambanudza, kana nokuunganidza pazvirugu, iyo kunoderedza aesthetic uye anofukidza nguva yebasa. mhedziso In ichi Vaz-2108 Salon (Тюнинг аногона куитва нензира дзакасияна) звири ньоре чаизво кусандиса уе ринобвумира кути сияна звакагадзирва мхиндуро. А кусарудза зваканака мукати кушонгедзва ачава звакатипотедза ноушамвари звиитико реганда, йё иногадзирва пакубурицва, пасина куведзера макемикари. Изви звинху ндиё вапфеке немишонга, зваканака звакафанира чигаро анэ кутенгека мутенго, ндиё якаченгтека нокада вакуру невана. Huru dambudziko iri ndechokuti nyaya ganda yakachena zvakaoma kuwana munzvimbo soumambo. (PDF) Объединение поиска и классификации изображений с помощью дистанционного зондирования с надежной тонкой настройкой Дос Сантос, «Обобщают ли глубокие особенности от ev- eryday объектов до дистанционного зондирования и аэрофотосъемки до сети?» В Proceedings of конференция IEEE по компьютерному зрению и распознаванию образов com- , 2015 г., стр. 44–51. [11] Weixun Zhou, Shawn Newsam, Congmin Li и Zhen- feng Shao, «PatternNet: эталонный набор данных для Performance Evaluation of Remote Sensing Image Re- trieval», ISPRS Journal of Photogrammetry and Remote Зондирование, 2018. [12] Гонг Ченг, Цзюньвэй Хан и Сяоцян Лу, «Re- классификация сцены с обнаруживающим изображением соринки: эталон и современное состояние», Proceedings of the IEEE, vol. 105, нет. 10, pp. 1865–1883, октябрь 2017 г. [13] Хайфэн Ли, Синь Доу, Чао Тао, Чжисян Ву, Цзе Чен, Цзянь Пэн, Минь Дэн и Лин Чжао, RSI- CB : Крупномасштабная классификация изображений дистанционного зондирования , эталонный тест с использованием данных краудсорсинга, «Сенсоры», т.20, нет. 6, стр. 1594, январь 2020 г. [14] Цинь Цзоу, Лихао Ни, Тонг Чжан и Цянь Ван, «Deep Выбор функций на основе обучения для дистанционного зондирования Классификация сцен», IEEE Geoscience and Remote Письма от датчиков, т. 12, вып. 11, pp. 2321–2325, Nov. 2015. [15] Бей Чжао, Яньфэй Чжун, Гуй-Сун Ся и Лянпэй Чжан, «Многоблочный класс сцены на основе Дирихле — si ation Model для Дистанционное зондирование с высоким пространственным разрешением », IEEE Transactions on Geoscience and Remote Sensing, vol.54, нет. 4, pp. 2108–2123, Apr. 2016. [16] Йи Ян и Шон Ньюсэм, «Пакет визуальных слов и пространственных расширений для классификации землепользования», в Pro- результаты 18-й Международной конференции SIGSPATIAL — по достижениям в географических информационных системах. 2010, ГИС ’10, стр. 270–279, ACM. [17] Гуй-Сун Ся, Вен Ян, Жюли Делон, Ян Гусо, Хонг Сан и Анри Ма ıtre, «Структурное высокое — разрешение , индексирование спутниковых изображений», Международный архив фотограмметрии , Дистанционное зондирование и Науки о пространственной информации — Архив ISPRS, vol.38, 2010. [18] Ишу Лю, Чжэнчжуо Хан, Цунхуй Чен, Ливанг Дин и Инбинь Лю, «Многозадачные CNN с орлиным взглядом для поиска аэрофотоснимков и транзакций класса сцены IEE », по геонаукам и дистанционному зондированию, т. 58, нет. 9, pp. 6699–6721, сентябрь 2020 г. [19] Цзе Ван, Чанг Луо, Ханьцяо Хуанг, Хуэйчжэнь Чжао, и Шицян Ван, «Передача предварительно обученных Deep CNN для удаленной классификации сцен с General Функции, полученные из сети Linear PCA, Remote Sensing, vol.9, вып. 3, pp. 225, март 2017 г. [20] Грант Дж. Скотт, Кайл К. Хаган, Ричард А. Маркум, Джеймс Алекс Херт, Дерек Т. Андерсон и Курт Х. Дэвис, » Enhanced Fusion of Deep Neural Networks for Classification of Benchmark Image High-Resolution Image Data Sets, IEEE Geoscience and Remote Sensing Let- ters, vol. 15, нет. 9, pp. 1451–1455, сентябрь 2018 г. [21] Нуман Али, Бушра Зафар, Фейсал Риаз, Саадат Ханиф Дар, Наим Икбал Ратял, Халид Башир Ба — джва, Мухаммад Кашиф Икбал и Мухаммад Саджид, «Гибридное геометрическое пространственное представление изображения для классификации сцен », PLoS ONE, vol.13, вып. 9, сентябрь 2018. [22] Цици Чжу, Яньфэй Чжун, Лянпей Чжан и Дерен Ли, «Классификация сцен на основе полностью разреженной модели Seman- tic Topic», Транзакции IEEE по геонаукам Дистанционное зондирование, т. 55, нет. 10, pp. 5525–5538, Oct. 2017. [23] Гун Ченг, Сеюан Ян, Сивэнь Яо, Лей Гуо и Джунвэй Хан, «Когда глубокое обучение соответствует метрике Обучение: изображения с дистанционным зондированием» Классификация сцен через обучение дискриминирующих CNN », IEEE Transactions по геонауке и дистанционному зондированию, т.56, нет. 5, pp. 2811–2821, май 2018 г. [24] Ци Ван, Шаотенг Лю, Джоселин Чануссот и Сюэ- лонг Ли, «Классификация сцен с повторяющимся вниманием изображений дистанционного зондирования VHR», IEEE Transactions по геонаукам и дистанционному зондированию, т. 57, нет. 2, pp. 1155–1167, февраль 2019 г. [25] Лили Фань, Хунвэй Чжао и Хаоюй Чжао, «Distribu- Потеря согласованности для крупномасштабного дистанционного зондирования Извлечение изображений», Remote Ощущение, т.12, вып. 1, pp. 175, январь 2020 г. [26] Х. Но, А. Арауджо, Дж. Сим, Т. Вейанд и Б. Хан, «Извлечение крупномасштабных изображений с внимательным глубоким Lo — cal Features », Международная конференция IEEE по компьютерному зрению (ICCV), 2017 г., октябрь 2017 г., стр. 3476–3485. [27] Биньи Цао, Андре Арауджо и Джек Сим, «Unify- ing Deep Local and Global Features for Ef ‑ cient Image Search», arXiv: 2001.05027 [cs], январь 2020 г. [28] Цзянкан Дэн, Цзя Го, Няннан Сюэ и Стефанос Зафейриу, «ArcFace: дополнительная угловая маржа для Deep Face Recognition», 2019, стр.4690–4699. [29] Альберт Гордо, Джон Алмаз an, Джером Рево и Дайан Ларлус, «Сквозное обучение глубокому визуальному представлению — отправок для поиска изображений», Международный журнал of Computer Видение, т. 124, вып. 2, pp. 237–254, сентябрь 2017. [30] Тобиас Вейанд, Андре Араужо, Биньи Цао и Джек Сим, «Набор данных Google Landmarks v2 — A Large- Scale Benchmark for Instance- Распознавание уровней и поиск », arXiv: 2004.01804 [cs], 2020. [31] Филип Раденович, Ахмет Исцен, Гиоргос Толиас, Яннис Авритис и Ондрей Чум, «Возвращаясь к Оксфорду и Парижу: сравнительный анализ поиска крупномасштабных изображений, 2018» в Конференция IEEE / CVF по компьютерному зрению и распознаванию образов , 2018 г., стр. 5706–5715. Ой, похоже, что-то пошло не так. в View -> render () в Response.php line 38 в ответе -> __ construct ( объект ( View )) в Router.php строка 6154 Router -> Освещение \ Маршрутизация \ {закрытие} ( объект ( Запрос )) в Pipeline.php строка 30 на -> Освещение \ Конвейер \ {закрытие} ( объект ( Запрос )) в Pipeline.php строка 53 в Collection.php строка 1563 в HandleExceptions -> handleError (8, ‘Undefined offset: 0’, ‘/ home / istanbulhairline / vendor / laravel / framework / src / Illuminate / Support / Коллекция.php ‘, 1563, массив (‘ key ‘=> 0)) в Collection.php строка 1563 в Collection -> offsetGet (0) в b5319231b18c8aa907b8da682ed49ca01p217282.стр. в включить (‘/ home / istanbulhairline / storage / framework / views / b5319231b18c8aa907b8da682ed49ca01fee2670.php’) в PhpEngine.php строка 42 в Phphairline / storage / home / PhpEngine / хранилище / istanbul34 / home / PhpEngine framework / views / b5319231b18c8aa907b8da682ed49ca01fee2670.php ‘, массив (‘ __env ‘=> объект ( Factory ),’ app ‘=> объект ( Приложение ),’ errors ‘=> объект ( ViewErrorBag ),’ dil ‘=> объект ( Коллекция ),’ dils ‘=> null ,’ menu ‘=> объект ( Коллекция ),’ ceviriler ‘=> объект ( Коллекция ), ‘sayfa’ => null , ‘hizmetler’ => объект ( Коллекция ), ‘rehber’ => объект ( Коллекция ), ‘hizmet’ => объект ( Коллекция ) , ‘kvkk’ => объект ( Sayfa ), ‘sacekimi’ => объект ( Sayfa ), ‘iletisim’ => объект ( IletisimAyarlari ), ‘hakkim2035 object’ => object ( Sayfa ), ‘sosyal’ => объект ( Sosyal ), ‘blog’ => объект ( LengthAwarePaginator ))) в Compi lerEngine.php строка 59 в CompilerEngine -> get (‘/ home / istanbulhairline / resources / views / tema / alt.blade.php’, array (‘__env’ => object ( Factory) ), ‘app’ => объект ( Приложение ), ‘errors’ => объект ( ViewErrorBag ), ‘dil’ => объект ( Коллекция ), ‘dils’ => null , ‘menu’ => объект ( Collection ), ‘ceviriler’ => object ( Collection ), ‘sayfa’ => null , ‘hizmetler’ => объект ( Коллекция ), ‘rehber’ => объект ( Коллекция ), ‘hizmet’ => объект ( Коллекция ), ‘kvkk’ => объект ( Sayfa ), ‘sacekimi’ => объект ( Sayfa ), ‘iletisim’ => object ( IletisimAyarlari ), ‘hakkimizda’ => объект ( Sayfa ), ‘ sosyal ‘=> объект ( Sosyal ),’ blog ‘=> объект ( LengthAwarePaginator ))) в представлении .php строка 137 в Просмотр -> getContents () в View.php строка 120 в Просмотр -> renderContents () в View.php строка 85 at Response -> setContent ( object ( View )) в Response.php line 206 на Router -> prepareResponse ( объект ( Request ), объект ( View )) в Router.php строка 572 на Конвейер -> Освещение \ Маршрутизация \ {закрытие} ( объект ( Запрос )) в SubstituteBindings.php строка 41 на SubstituteBindings -> handle ( объект ( запрос ), объект ( закрытие )) в Pipeline.php строка 148 на Конвейер -> Освещение \ Маршрутизация \ {закрытие} ( объект ( Запрос )) в VerifyCsrfToken.php line 65 at VerifyCsrfToken -> handle ( object ( Request ), object ( Closure )) в Pipeline.php line 148 line 148 -> Освещение \ Конвейер \ {закрытие} ( объект ( Запрос )) в Pipeline.php строка 53 на Конвейер -> Освещение \ Маршрутизация \ {закрытие} ( объект ( Запрос )) в ShareErrorsFromSession.php строка 49 на ShareErrorsFromSession -> handle ( объект ( запрос ), объект ( закрытие )) в Pipeline.php строка 148 на -> Освещение \ Конвейер \ {закрытие} ( объект ( Запрос )) в Pipeline.php строка 53 на -> Освещение \ Конвейер \ {закрытие} ( объект ( Запрос )) в Pipeline.php строка 53 на Конвейер -> Освещение \ Маршрутизация \ {закрытие} ( объект ( Запрос )) в StartSession.php строка 64 в StartSession -> дескриптор ( объект ( Request ), объект ( Closure ) Pipeline.php line 148 -> Освещение \ Конвейер \ {закрытие} ( объект ( Запрос )) в Pipeline.php строка 53 на Конвейер -> Освещение \ Маршрутизация \ {закрытие} ( объект ( Запрос )) в AddQueuedCookiesToResponse.php строка 37 в AddQueuedCookiesToResponse -> handle ( объект ( запрос ), объект ( закрытие )) в Pipeline.php 902 902 линия 148 902 -> Освещение \ Конвейер \ {закрытие} ( объект ( Запрос )) в Pipeline.php строка 53 на Конвейер -> Освещение \ Маршрутизация \ {закрытие} ( объект ( Запрос )) в EncryptCookies.php строка 59 на EncryptCookies -> дескриптор ( объект ( запрос ), объект ( закрытие )) в Pipeline.php строка 148 на Конвейер -> Освещение \ Маршрутизация \ {закрытие} ( объект ( Запрос )) в конвейере .php строка 102 в Pipeline -> затем ( объект ( Закрытие )) в Router.php строка 574 в Router 925 -> runRouteWithin -> runRouteWithin Route ), объект ( Request )) в Router.php line 533 at Router -> dispatchToRoute ( объект ( Request )) в Router.php на маршрутизаторе -> отправка ( объект ( запрос )) в ядре .php строка 176 на Ядро -> Illuminate \ Foundation \ Http \ {closure} ( объект ( Request )) в Pipeline.php line 30 at 922-82 Pipeline > Освещение \ Routing \ {closure} ( объект ( запрос )) в TransformsRequest.php строка 30 в TransformsRequest -> handle ( объект ( объект запроса )), ( Закрытие )) в трубопроводе .php line 148 at Pipeline -> Illuminate \ Pipeline \ {closure} ( object ( Request )) в Pipeline.php line 53 at Pipeline \ Routing \ {closure} ( объект ( Запрос )) в TransformsRequest.php строка 30 в TransformsRequest -> handle ( объект ( Request ), объект Замыкание )) в трубопроводе .php line 148 at Pipeline -> Illuminate \ Pipeline \ {closure} ( object ( Request )) в Pipeline.php line 53 at Pipeline \ Routing \ {closure} ( объект ( Запрос )) в ValidatePostSize.php строка 27 в ValidatePostSize -> дескриптор ( объект ( запрос ), объект ( запрос ), 920 Замыкание )) в трубопроводе .php line 148 at Pipeline -> Illuminate \ Pipeline \ {closure} ( object ( Request )) в Pipeline.php line 53 at Pipeline \ Routing \ {closure} ( объект ( Request )) в CheckForMainastedMode.php строка 46 в CheckForMain maintenanceMode -> дескриптор ( объект ( Запрос объект 20), объект 20) Замыкание )) в трубопроводе .php line 148 at Pipeline -> Illuminate \ Pipeline \ {closure} ( object ( Request )) в Pipeline.php line 53 at Pipeline \ Routing \ {closure} ( object ( Request )) в Pipeline.php line 102 at Pipeline -> then ( object ( Closure )) в Kernel.php строка 151 at Kernel -> sendRequestThroughRouter ( объект ( Request )) в Kernel.php строка 116 на Ядро -> дескриптор ( объект ( запрос )) в index.php строка 59 Сделайте маску первого слоя Что такое маскирование слоя ? Маскирование слоя — это обратимый способ скрыть часть слоя. Это дает вам больше гибкости при редактировании, чем постоянное стирание или удаление части слоя. Маскирование слоя полезно для создания составных изображений, вырезания объектов для использования в других документах и ​​ограничения редактирования частью слоя. К маске слоя можно добавить черный, белый или серый цвет. Один из способов сделать это — нарисовать слой-маску. Черный цвет на маске слоя скрывает слой, содержащий маску, поэтому вы можете видеть, что находится под этим слоем. Серый цвет на маске слоя частично скрывает слой, содержащий маску. Белый цвет на маске слоя показывает слой, содержащий маску. Создать маску слоя Выберите слой на панели «Слои». Нажмите кнопку «Добавить маску слоя» в нижней части панели «Слои».На выбранном слое появится миниатюра маски белого слоя, открывающая все на выбранном слое. Добавить черный к маске слоя, чтобы скрыть Добавление черного к маске слоя скрывает слой, содержащий маску. На панели «Слои» убедитесь, что вокруг миниатюры маски слоя есть белая рамка. Если белая граница отсутствует, щелкните миниатюру маски слоя. Выберите инструмент «Кисть» на панели инструментов. На панели параметров откройте палитру кистей и выберите размер и жесткость кисти. Нажмите D, чтобы установить белый и черный цвета по умолчанию на панели инструментов. Затем нажмите X, чтобы переключить цвета, чтобы черный стал цветом переднего плана. Закрасьте изображение, добавив черный цвет к маске слоя. Черный цвет на маске слоя скрывает слой с маской, поэтому вы можете видеть слой ниже или узор шахматной доски, который представляет прозрачность. Добавьте белый цвет к маске слоя, чтобы открыть Добавление белого цвета к маске слоя показывает слой, содержащий маску. Author: alexxlab Previous post Ширина заднего сидения автомобиля:… Next post Расчет таймера 555 онлайн:… Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт