1. Бакланов А. И. Группировки микроспутников оптико-электронного наблюдения высокого разрешения // Материалы XV науч.-техн. конф..,Системы наблюдения, мониторинга и дистанционного зондирования Земли“. Алушта, 2018. С. 43-62.
2. Бакланов А. И. Новые тенденции развития космических систем оптико-электронного наблюдения Земли высокого разрешения // Материалы XIV науч.-техн. конф..,Системы наблюдения, мониторинга и дистанционного зондирования Земли“. Сочи, 2017. С. 32-49.
3. Данилов А. С. Система экологического мониторинга окружающей среды с использованием малогабаритных беспилотных летательных аппаратов // Экология и промышленность России. 2013. № 9. С. 4-7. EDN: RADZMR
4. Коршунов Н. А., Котельников Р. В. Борьба с лесными пожарами: проблема информационного обеспечения авиасредствами и ее решение // Пожарная безопасность. 2008. № 1. С. 125-129. EDN: JWONYR
5. Шовенгердт P. A. Дистанционное зондирование. Модели и методы обработки изображений. М.: Техносфера, 2010. 560 с.
6. Федоров А. М. Эффективность мониторинга техногенных объектов с применением беспилотных летательных аппаратов // Докл. БГУИР. 2015. № 7(93). С. 129-130. EDN: ZATMLR
7. Есиков О. В., Сухарев Е. М., Алтухов А. В., Тарасов Е. А. Оценка эффективности методов и алгоритмов обработки графической информации и распознавания объектов мониторинга // Наукоемкие технологии. 2011. № 4. С. 54-61. EDN: NUJPNJ
8. Потапов А. А. Фракталы в дистанционном зондировании // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. 2000. № 6. С. 3-65.
9. Потапов А. А. Новейшие методы обработки изображений. М.: Физматлит, 2008. 496 с. EDN: RFUVND
10. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1104 с. EDN: SDTUTF
11. Кронвер Р. М. Фракталы и хаос в динамических системах. Основы теории. М.: Постмаркет, 2000. 352 с.
12. Akinshin N. S., Potapov A. A., Bystrov R. P., Esikov O. V., Chernyshkov A. I. Building Systems for Object Recognition by Multichannel Sensing Systems Based on Neural Networks and Fractal Signatures //j. of Communications Technology and Electronics. 2020. Vol. 65, N 7. P. 835-842. EDN: PKPGTJ
13. Есиков О. В., Денисова Н. А., Романюта А. Е. Результаты экспериментальной оценки эффективности архитектур искусственных нейронных сетей при решении задач распознавания объектов дорожного движения // Изв. ТулГУ. Технические науки. 2021. Вып. 2. С. 139-145. EDN: QPHCPH
14. Аггарвал Ч. Нейронные сети и глубокое обучение: Пер. с англ. М.: Изд. дом.,Вильямс“, 2020. 752 с.
15. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arxiv preprint arxiv:1409.1556. 2014. [Электронный ресурс]: , 13.07.2020.
16. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proc. IEEE Conf. on Computer Vision and Pattern Recognition. 2016. Р. 770-778.
17. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; Пер. с польск. М.: Горячая линия-Телеком, 2004. 383 с.
18. Akinshin N. S., Esikov O. V., Potapov A. A., Akinshin R. N., Kuleshov A.V. Application of fractal analysis methods of Earth surface images for ecological setting assessment // EPJ Web Conf. 2019. Vol. 224, 04008 (MNPS-2019).
19. Акиншин Н. С., Есиков О. В., Чернышков А. И., Савчук К. В. Применение методов фрактального анализа изображений для решения задач мониторинга экологической обстановки // Изв. ТулГУ. Технические науки. 2019. № 10. С. 44-52. EDN: DHYNKN
20. https://trinixy.ru/52197-do-i-posle-navodneniya-40-foto.html.
21. https://trinixy.ru/167549-fotografii-malibu-so-sputnika-do-i-posle-pozharov-9-foto.html.
22. Свид. о рег. прогр. № 2019665064. Программа фрактального анализа изображений для оценки экологической обстановки / О. В. Есиков, А. В. Петешов, А. В. Кулешов, К. В. Савчук, А. Н. Ивутин. 18.11.2019 г.