ПОКРАЩЕННЯ СЕГМЕНТАЦІЇ МОДЕЛІ U-NET З УРАХУВАННЯМ НЕВИЗНАЧЕНОСТІ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2026.01.071Ключові слова:
розпізнавання пошкоджених будівель, згорткові нейронні мережі, комп’ютерний зір, семантична сегментація, Monte Carlo Dropout, ASPP, U-NetАнотація
Незважаючи на важливість підвищення точності та ефективності, у задачах попереднього аналізу пошкоджень ключову роль відіграє оцінка невизначеності, яка використовується для прийняття рішень. Метою дослідження є покращення сегментації модифікованої архітектури U-Net із модулем ASPP та врахуванням невизначеності через Monte Carlo Dropout.
У роботі запропоновано заміну bottleneck на ASPP та застосування стохастичного відсіювання. На основі дисперсії, ентропії та взаємної інформації сформовано карти невизначеності, що покращують сегментацію. Показано, що ASPP підвищує точність визначення форм об’єктів, а комбінована функція втрат — якість результатів. У експериментах досягнуто приросту 3.8% середнього IoU, 4% для вцілілих і 5.3% для зруйнованих будівель. Підтверджено позитивний вплив запропонованих методів і підходів на сегментаційні можливості моделі, водночас для практичного впровадження необхідні подальші дослідження.
Посилання
Yang Q., Wang Z., Liu S., Li Z. Research on improved U-net based remote sensing image segmentation algorithm. arXiv, 2024. URL: https://doi.org/10.48550/arXiv.2408.12672 (data zvernennia: 25.03.2026).
He K., Zhang X., Ren S., Sun J. Spatial pyramid pooling in deep convolutional networks for visual recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2015. Vol. 37, No. 9. P. 1904–1916. URL: https://doi.org/10.48550/arXiv.1406.4729 (data zvernennia: 25.03.2026).
Gal Y., Ghahramani Z. Dropout as a Bayesian approximation: Representing model uncertainty in deep learning // Proceedings of the 33rd International Conference on Machine Learning. 2016. Vol. 48. P. 1050–1059. URL: https://doi.org/10.48550/arXiv.1506.02142 (data zvernennia: 26.03.2026).
Rey M., Mnih A., Neumann M., Overlan M., Purves D. Uncertainty evaluation of segmentation models for Earth observation. arXiv, 2025. URL: https://doi.org/10.48550/arXiv.2510.19586 (data zvernennia: 26.03.2026).
