Введение 4
1. Постановка задачи 5
2. Обзор наборов данных 6
3. Метрики для оценки качества сегментации 8
4. Обзор методов 9
4.1. Классические методы машинного обучения . . . . . . . . 9
4.2. Нейросетевые методы
4.2.1. Общее описание
4.2.2. Сверточная нейронная сеть . . . . . . . . . . . . . 11
4.2.3. SegNet
4.2.4. UNet
4.2.5. Enet
5. Эксперименты и результаты 18
5.1. Результаты
Заключение 21
Список литературы
Машинное обучение в наше время переживает новое рождение и постепенно входит во все отрасли человеческой деятельности, начиная с рекомендации рекламы, заканчивая управлением автоматическими заводами. В том числе сложные и важные задачи решаются методами компьютерного зрения:
• беспилотные автомобили используют камеры и радары для того, чтобы правильно взаимодействовать друг с другом.
• Системы ПВО обнаруживают стелс-самолеты с помощью высокоточных камер.
• вывески автоматически определяют пол проходящего мимо человека с целью показать таргетированную рекламу
• автоматически распознаются аномалии на рентгеновских снимках;
Все это и многое другое стало возможно в связи с революцией в области высокопроизводительныx видеокарт и сверточных сетей([7]). Работа рассматривает конкретную область компьютерного зрения – семантическую сегментацию изображений для задачи понимания дорожной обстановки, подробнее об этом будет рассказано в следующих разделах, но позволю привести себе практический пример для чего это точно необходимо. Известно, что сейчас мы переживаем бум развития беспилотного транспорта, многие компании сейчас выпустили свои прототипы(самые известные из них – Google, Uber, Yandex), и очень важно для такой машины в реальном времени находить дорожные знаки, пешеходов, другие машины и прочие семантические классы, иначе далеко не уедешь.
Мы рассмотрим методы, начиная от представляющих большую историческую ценность, заканчивая теми, которые могут быть эффективно использованы на устройствах не таких мощных, как GPU-сервер на Amazon AWS
В заключение хотелось бы отметить, что тема, которой я проникся, оказалась крайне интересной и актуальной. Был проведён обзор и сравнительный анализ нескольких современных ”state of art” алгоритма, выявлены ключевые особенности, которые приводят один метод
к успеху по сравнению с остальными. Экспериментально было показало, что Enet подходит для задачи сегментации дорожной обстановки лучше других моделей с которыми мы сравнивали, с точки зрения как показателей метрик, так и производительности по времени. И, в отличии от Unet и SegNet, может быть использовано для сегментации как на мобильном устройстве с небольшим количеством памяти, так и в системах реального времени, где важна скорость работы.
