АННОТАЦИЯ 3
ВВЕДЕНИЕ 3
1 Обзор литературы 6
1.1 Основные подходы к решению задачи 6
1.2 Набор данных 10
1.3 Улучшение качества моделей 13
2 Предобработка данных 19
2.1 Разбиение на тайлы 19
2.2 Увеличение контрастности 21
2.3 Увеличение резкости 24
2.4 Обработка Nir канала 27
2.5 Нормализация 28
3 Основная идея нейросетевой архитектуры 30
3.1 Трансферное обучение 30
3.2 Модификация механизм внимания 31
4 Модель классификации 34
4.1 Многометочная классификация 34
4.2 Архитектура 36
5 Сегментационная сеть 40
6 Обучение 44
7 Заключение 47
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 48
Выделяется два вида сегментации: семантическая и экземплярная. В этой работе будет решаться задача семантической сегментации, на ней и заострим внимание.
Семантическая сегментация — это задача глубокого обучения, которая распределяет пиксели изображения по заранее определенным классам. Цель состоит в том, чтобы присвоить каждому пикселю изображения метку, позволяющую различать объекты и их границы на изображении.
В отличие от экземплярной сегментации семантическая не пытается разделить объекты одного класса друг от друга (если на картинке две опухоли, они будут отмечены одинаково)
На рисунке 1 изображен пример семантической и экземплярной сегментации соответственно.
Рисунок 1 — Различия разных видов сегментации
Говоря более формально, на вход модели подаётся картинка размера CXH*W, где C — количество каналов (цветов) изображения, H — высота изображения, W — ширина изображения. А на выходе из неё возвращается маска размера K*H*W. Где K — количество классов, на которые разбивается изображение. Для каждого пикселя разные значения на оси K обозначают вероятность принадлежности соответствующему классу.
Семантическая сегментация находит свое применение во многих задачах, например:
• Медицинские задачи:
о анализ медицинских изображений;
о выделение органов или патологий;
• Автономное вождение:
о Обнаружение препятствий;
о Понимание текущих дорожных условий;
• Робототехника:
о Выделение объектов для захвата и взаимодействия;
о Контроль качества;
• Обнаружение дефектов:
о Автоматический анализ текстур и поверхностей;
о Оценка размеров и формы производимых изделий.
Однако ручная сегментация, выполняемая экспертами, занимает слишком много времени и ресурсов, из чего следует необходимость использования автоматизированных методов сегментации. Но, несмотря на обилие существующих алгоритмов сегментации, они не лишены недостатков, среди которых основным является недостаточное качество их работы.
Актуальность работы заключается в том, что нужда в использовании автоматизированных методов сегментации изображений проявляется в различных областях, где требуется обработка больших объемов изображений для решения задач мониторинга, анализа и принятия решений. В частности, сегментация изображений поверхности Земли находит своё применение, например, в:
• Сельское хозяйство: автоматическая сегментация помогает в
определении состояния посевов, выделении сельскохозяйственных культур и анализе почвы;
• Экология и охрана окружающей среды: использование сегментации позволяет выявлять зоны загрязнения, отслеживать динамику лесных массивов и водоемов;
• Городское планирование: методы сегментации способствуют анализу городской инфраструктуры, дорожной сети и застройки;
• Управление чрезвычайными ситуациями: сегментация может ускорить определение зон бедствия, таких как наводнения, пожары или землетрясения, для оперативного реагирования;
• Картография: автоматическое выделение и классификация объектов, таких как дороги, здания и водные объекты, упрощает создание и обновление карт.
Исходя из этого, формулируется цель работы — разработка нейросетевой модели, решающей задачу семантической сегментации объектов на поверхности Земли. Для этого ставятся следующие задачи:
• Изучить способы решения подобных задач;
• Изучить методы улучшения качества сегментации;
• Найти подходящий набор данных;
• Используя изученный материал разработать нейросетевую архитектуру;
• Обучить и протестировать её.
В работе рассмотрена задача семантической сегментации изображений. Выбран набор данных, состоящий из изображений поверхности Земли. Проведен анализ классических архитектур нейросетей для решения подобных задач. Рассмотрены способы улучшения результатов нейросетевых моделей. На основе изученных материалов разработана и обучена собственная архитектура, включающая в себя как классический блок визуального внимания, так и улучшенная его версия, предложенная в данной работе. Разработанные методы показали свою эффективность на практике, в сравнении с другими нейросетевыми методами, обученными на этом же наборе данных.
