Пошук академічних текстів

Інформація × Реєстраційний номер 0825U001711, Дисертація доктора філософії На здобуття Доктор філософії Дата захисту 02-07-2025 Статус Наказ про видачу диплома Назва роботи Моделі глибинного навчання на складних для розпізнавання наборах даних Здобувач Охріменко Антон Олександрович, Керівник Куссуль Наталія Миколаївна Опонент Гнатушенко Володимир Володимирович Опонент Кондрук Наталія Емерихівна Рецензент Чертов Олег Романович Рецензент Данилов Валерій Якович Опис Дисертація присвячена дослідженню актуальної проблеми перекриття та незбалансованості класів у задачах семантичної сегментації. Розглянуто випадки подібності ознак в екземплярів даних, що належать до різних класів, та малої представленості окремих класів у навчальному наборі даних. Ці особливості навчальної вибірки значно ускладнюють побудову точних моделей глибинного навчання, призводять до погіршення метрик моделі, особливо на малих класах або класах з сильним перекриттям. Запропоновано метод виявлення неоднозначних екземплярів на основі локального аналізу в просторі ознак з використанням алгоритму k-найближчих сусідів (kNN). Удосконалено функцію втрат через введення вагових масок, які формуються з урахуванням складності класифікації роздільності пікселів різних класів у просторі ознак. Ця модифікація покращує здатність моделі вивчати рідкісні та складні класи без використання додаткових даних чи зміни базової архітектури мережі. Адаптовано генеративні змагальні мережі (GAN) до задач аугментації з метою балансування розподілу класів у навчальному наборі. Реалізовано використання GAN-аугментації у поєднанні з методом вагових масок, що забезпечило покращення якості сегментації, особливо для малочисельних класів. Запропоновані методи апробовано на багатоканальних супутникових знімках та гістологічних зображеннях. Результати роботи були застосовані при виконанні наукових проєктів програм Horizon Europe та НФД України, що підтверджує практичну значущість отриманих результатів. Дата реєстрації 2025-05-15 Додано в НРАТ 2025-05-15 Закрити