1. Кривогуз Д.О. Анализ изменения землепользования и растительного покрова (LULC) Керченского полуострова с 1990 по 2020 гг. с помощью ДЗЗ и машинного обучения // Экспериментальное ландшафтоведение: теория, методология, практика. 2023. С. 36–37.
2. Напрюшкин А.А. Алгоритмическое и программное обеспечение системы интерпретации аэрокосмических изображений для решения задач картирования ландшафтных объектов. Диссертация. Томск: 2002. 183 с.
3. Багаев И.И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow // Математическое и программное обеспечение систем в промышленной и социальной сферах. 2020. Т. 8. № 1. С. 15–22.
4. Кострюкова М.И. Распознавание цветных изображений с использованием рекуррентных нейронных сетей в сравнении со сверточными нейронными сетями // Актуальные проблемы прикладной математики, информатики и механики. Воронеж: Вэлборн, 2022. С. 537–543.
5. Соснин А.С., Суслова И.А. Функции активации нейросети: сигмоида, линейная, ступенчатая, relu, tahn // Наука. Информатизация. Технологии. Образование. Екатеринбург: РГППУ, 2019. С. 237–246.
6. Петухов Д.Е., Белов Ю.С. Обзор часто используемых алгоритмов по оптимизации стохастического градиентного спуска // E-Scio. 2021. № 1. С. 553–561.
7. Alexakis E., Armenakis C. Evaluation of UNet and UNet++ architectures in high resolution image change detection applications. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020,
Vol. 43, P. 1507–1514. (In Eng).
8. Yang W., Zhang J.L., Xu Z.Y., Hu K. A real-time DeepLabv3+ for pedestrian segmentation. Opticheskii Zhurnal, 2019, Vol. 86, issue 9, P. 49–59. (In Eng).
9. Рудь А.А., Рудь C.А. Сравнение архитектур сверточных нейронных сетей на основе Resnet в задаче распознавания изображений // Проблемы техники и технологий телекоммуникаций ПТиТТ-2020. Самара: ПГУТИ, 2020. С. 305–306.