ДОСЛІДЖЕННЯ ВПЛИВУ АКТИВАЦІЙНИХ ФУНКЦІЙ НА ТОЧНІСТЬ СЕГМЕНТАЦІЇ ВОДНИХ ОБ'ЄКТІВ НА СУПУТНИКОВИХ ЗОБРАЖЕННЯХ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2025.01.102Ключові слова:
нейронна мережа, сегментація, активаційна функція, U-Net, супутникові зображення, Sentinel-2Анотація
Проведено порівняльний аналіз активаційних функцій (ReLU, Leaky ReLU, ELU, PReLU, Swish, RReLU) у складі нейромережі U-Net при виконанні задачі бінарної сегментації водних об'єктів за супутниковими знімками Sentinel-2. Для тренування моделей використано фіксовану кількість епох та стабільний набір зображень, що дозволило провести об'єктивне порівняння результатів. Отримані результати свідчать, що вибір активаційної функції суттєво впливає на ефективність нейромережевого сегментування. Найвищий показник метрики F1 отримано з функцією Leaky ReLU, яка також продемонструвала найкращі результати за точністю (Precision) та показником IoU. Функція ELU мала найвищий показник наповненості (Recall), проте значно нижчу точність, що вказує на її тенденцію до помилкового виявлення об'єктів. Проведене дослідження рекомендує використовувати функцію Leaky ReLU як оптимальний вибір для задач сегментації водних об'єктів за супутниковими знімками.
Посилання
Viktoriia Hnatushenko, Oleksandr Honcharov. Land cover mapping with Sentinel-2 imagery using deep learning semantic segmentation models.// Proceedings of the X International Scientific Conference "Information Technology and Implementation" (IT&I 2024). - Kyiv, Ukraine, - November 20-21, 2024. – p.1-18 CEUR-WS.org/Vol-3909 - Information Technology and Implementation (IT&I 2024)
Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention. 2015. Vol. 9351. P. 234–241.
Zhou Z., Siddiquee M.M.R., Tajbakhsh N., Liang J. UNet++: A Nested U-Net Architecture for Medical Image Segmentation. Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. 2018. P. 3–11.
Zhang Z., Liu Q., Wang Y. Road Extraction by Deep Residual U-Net. IEEE Geoscience and Remote Sensing Letters. 2018. Vol. 15, Issue 5. P. 749–753.
Shanmugamani R. Deep Learning for Computer Vision: Expert techniques to train advanced neural networks using TensorFlow and Keras. Packt Publishing, 2018. 472 p.
Chollet F. Deep Learning with Python. Manning Publications Co., 2018. 384 p.
