Search academic texts

Information × Registration Number 2122U006438, Article popup.category Бакалаврська робота Title Застосування генеративно-змагальних мереж для покращення якостi сегментацiї супутникових знiмкiв (AI translated) popup.author Шкалiков Олег ВолодимировичShkalikov Oleh Volodymyrovych popup.publication 01-06-2022 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/52126 popup.publisher Київ Description Квалiфiкацiйна робота мiстить: 56 стор., 11 рисунки, 5 таблиць, 17 джерел. Застосування сучасних нейромережевих архiтектур у задачi семантичної сегментацiї супутникових знiмкiв дозволяє має великий прикладний сенс. Проте незбалансованiсть класiв у навчальних вибiрках, що є притаманним саме супутниковим даним, є iстотною проблемою, яка знижує їх ефективнiсть. Дана робота полягає у розробцi методiв застосуваннi доповнення навчальних вибiрок, що має на метi пiдвищити якiсть семантичної сегментацiї. Для цього було проаналiзовано рiзнi пiдходи до генеративних моделей, зокрема генеративно-змагальнi мережi. Особлива увага була придiлена архiтектурi Pix2Pix та її вдосконаленням. Також було розроблено i iмплементовано алгоритм генерацiї штучних масок класифiкацiї i, як наслiдок, повний процес аугментацiї тренувального набору. У ходi виконання роботи було проведенi експерименти, якi довели ефективнiсть запропонованого пiдходу. Попри незначне погiршення метрик для мажоритарних класiв, якiсть класифiкацiї мiноритарних класiв значно зросла. Таким чином було отримано метод аугментацiї наборiв даних супутникових знiмкiв, який дозволяє покращити якiсть семантичної сегментацiї. The qualifying paper contains: 56 pages, 11 figures, 5 tables, 17 sources. Using of modern neural network architectures in the problem of semantic segmentation of satellite images has a great practical meaning. However, the imbalance of classes in the training samples, which is inherent in the satellite data, is a significant problem that reduces their effectiveness. This work is to develop methods for applying the augmentation of training datasets, which aims to improve the quality of semantic segmentation. For this purpose, different approaches to generative models have been analyzed, in particular generative-adversarial networks. In particular, the Pix2Pix architecture and its improvements. An algorithm for generating artificial classification masks and, as a result, a complete process of augmentation of the training set has been also developed and implemented. In the course of the work, experiments have been conducted that proved the effectiveness of the proposed approach. Despite a slight deterioration in the metrics for majority classes, the quality of the classification of minority classes has increased significantly. Thus, a method of augmentation of satellite image data sets has been obtained, which allows to improve the quality of semantic segmentation. popup.nrat_date 2025-11-05 Close