DATA AUGMENTATION METHODOLOGY FOR SEGMENTING KEY OBJECTS IN UAV AERIAL IMAGERY

Ustenko V.Y. Blizno M.V.

About the authors

Ustenko V.Y. Blizno M.V.

Устенко Владимир Юрьевич – младший научный сотрудник, лаборатория интеллектуальных систем и анализа данных, аспирант, Федеральное государственное бюджетное научное учреждение «Институт проблем искусственного интеллекта». Область научных интересов: системы распознавания образов, адрес: 283048, Российская Федерация, г. Донецк, ул. Артема, д. 118 б.

Близно Максим Витальевич – младший научный сотрудник, лаборатория интеллектуальных систем и анализа данных, Федеральное государственное бюджетное научное учреждение «Институт проблем искусственного интеллекта». Область научных интересов: системы распознавания образов, адрес: 283048, Российская Федерация, г. Донецк, ул. Артема, д. 118 б.

Download PDF

UDC: 004.932.2
DOI: 10.24412/2413-7383-2025-4-39-84-97
Language: Russian

Abstract: In this work, the authors propose a method (StageAug) that uses a limited amount of machine-learning server resources while increasing robustness. Experiments are conducted on the synthetic SynDrone dataset (road, natural objects, buildings, obstacles, water, other objects) using the pretrained StripNet neural architecture designed for extracting high-level features. The key element is a staged augmentation pipeline: from mild photometric transformations to Copy -Paste of rare objects and 2×2/3×3 mosaic compositions. The experiments show that the proposed method stabilizes early epochs and achieves mIoU = 0.6264 and FWIoU = 0.9565. The results confirm the hypothesis that harmonizing augmentations and using the enhanced StripNet -FPN indeed help to reduce the synthetic -to-real gap and improve robustness.

Keywords: semantic segmentation, StripNet, FPN, SynDrone, UAV, aerial imagery, augmentation, mosaic.

References

1. Пикалёв, Я. С. Обнаружение ключевых объектов и перекрёстная геолокализация: Анализ наборов данных и методологические перспективы / Я.С. Пикалёв [Электронный ресурс] // Проблемы искусственного интеллекта. – 2024. – №4(35). – С. 25-37. DOI: 10.24412/2413-7383-2024-4-25-37. URL: http://paijournal.guiaidn.ru/download_pai/2024_4/3_%D0%9F%D0%B8%D0%BA%D0%B0%D0%BB %D0%B5%D0%B2.pdf (дата обращения: 17.11.2025). Методика расширения данных для сегментации ключевых объектов… У
2. Ермоленко, Т. В. К вопросу о применении глубокого обучения к задачи перекрёстной геолокализации / Т.В. Ермоленко, Р.С. Хакимов [Электронный ресурс] // Проблемы искусственного интеллекта. – 2024. – №4(35). – С.4-15. – DOI:10.24412/2413-7383-2024-4-4-15. URL: http://paijournal.guiaidn.ru/download_pai/2024_4/1_%D0%95%D1%80%D0%BC%D0%BE%D0%BB% D0%B5%D0%BD%D0%BA%D0%BE_%D0%A5%D0%B0%D0%BA%D0%B8%D0%BC%D0%BE% D0%B2.pdf (дата обращения: 17.11.2025).
3. Кравченко С. В. и др. Проблемы детектирования объекта на изображении в задачах глубокого обучения в области компьютерного зрения на основе свёрточных нейронных сетей // Инновации и инвестиции. 2020. №6.. 2020. С. 194–197.
4. Rizzoli G. и др. SynDrone -- Multi-modal UAV Dataset for Urban Scenarios [Электронный ресурс]. 2023. URL: https://arxiv.org/pdf/2308.10491 (дата обращения: 14.11.2025).
5. Qu G. и др. StripNet [Электронный ресурс] // Proceedings of the 26th ACM international conference on Multimedia. 2018. С. 283–291. URL: https://dl.acm.org/doi/10.1145/3240508.3240553 (дата обращения: 16.11.2025).
6. Lin T.-Y. и др. Feature Pyramid Networks for Object Detection [Электронный ресурс]. 2017. URL: https://arxiv.org/pdf/1612.03144v2 (дата обращения: 10.11.2025).
7. Berthelot D. и др. MixMatch: A Holistic Approach to Semi-Supervised Learning [Электронный ресурс]. 2019. URL: https://arxiv.org/pdf/1905.02249 (дата обращения: 18.11.2025).
8. Foi A. и др. Practical Poissonian-Gaussian Noise Modeling and Fitting for Single-Image Raw-Data [Электронный ресурс] // IEEE Transactions on Image Processing. 2008. С. 1737–1754. URL: https://www.researchgate.net/publication/23249686_Practical_Poissonian- Gaussian_Noise_Modeling_and_Fitting_for_Single-Image_Raw-Data (дата обращения: 18.11.2025).
9. Miyato T. и др. Virtual Adversarial Training: A Regularization Method for Supervised and Semi- Supervised Learning [Электронный ресурс] // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2019. Т. 41, № 8. С. 1979–1993. URL: https://ieeexplore.ieee.org/document/8417973 (дата обращения: 18.11.2025).
10. Catalano N. Matteucci M. Few Shot Semantic Segmentation: a review of methodologies, benchmarks, and open challenges [Электронный ресурс]. 2024. URL: https://arxiv.org/pdf/2304.05832v2 (дата обращения: 16.11.2025).
11. Shaban A. и др. One-Shot Learning for Semantic Segmentation [Электронный ресурс]. 2017. URL: https://arxiv.org/pdf/1709.03410 (дата обращения: 16.11.2025).
12. Beery S. и др. Synthetic Examples Improve Generalization for Rare Classes [Электронный ресурс]. 2019. URL: https://arxiv.org/pdf/1904.05916 (дата обращения: 16.11.2025).
13. Зуев, В. М. Сравнение обнаружения объектов средствами искусственного интеллекта в сравнении с классическими методами / В.М. Зуев [Электронный ресурс] // Проблемы искусственного интеллекта. – 2024. – Т. 34 (3). – С. 4-10. URL: http://paijournal.guiaidn.ru/download_pai/2024_3/3_%D0%97%D1%83%D0%B5%D0%B2.pdf (дата обращения: 17.11.2025).
14. Lyu Y. и др. UAVid: A Semantic Segmentation Dataset for UAV Imagery [Электронный ресурс]. 2020. URL: https://arxiv.org/pdf/1810.10438 (дата обращения: 16.11.2025).
15. Song A. Deep Learning-Based Semantic Segmentation of Urban Areas Using Heterogeneous Unmanned Aerial Vehicle Datasets [Электронный ресурс] // Aerospace. 2023. С. 880. URL: https://www.mdpi.com/2226-4310/10/10/880#:~:text=areas,be%20used%20on%20diverse%20data (дата обращения: 16.11.2025).
16. Zhang Z. Li G. UAV Imagery Real-Time Semantic Segmentation with Global–Local Information Attention [Электронный ресурс] // Sensors. 2025. С. 1786. URL: https://www.mdpi.com/1424- 8220/25/6/1786#:~:text=semantic%20segmentation%20of%20drones%20that,branch%20compresses%20 and%20extracts%20global (дата обращения: 16.11.2025).
17. Zhang Y. David P. Gong B. Curriculum Domain Adaptation for Semantic Segmentation of Urban Scenes [Электронный ресурс]. 2018. URL: https://arxiv.org/pdf/1707.09465 (дата обращения: 16.11.2025).
18. Choi J. Kim Y. Colorful Cutout: Enhancing Image Data Augmentation with Curriculum Learning [Электронный ресурс]. 2024. URL: https://arxiv.org/pdf/2403.20012 (дата обращения: 16.11.2025).
19. Huang S. и др. DEIM: DETR with Improved Matching for Fast Convergence [Электронный ресурс]. 2025. URL: https://www.themoonlight.io/en/review/deim-detr-with-improved-matching-for-fast- convergence (дата обращения: 16.11.2025). У Устенко В.Ю. Близно М.В.
20. Зуев, В. М. Подготовка данных для обучения нейронной сети, управляющей движением механизма / В.М. Зуев, О.А. Бутов, А.А. Никитина, С.И. Уланов [Электронный ресурс] // Материалы Донецкого международного круглого стола «Искусственный интеллект: теоретические аспекты и практическое применение. ИИ – 2021». – 2021. – С. 92-95. ГУ «ИПИИ». URL: http://paijournal.guiaidn.ru/download_pai/2021_2/2_%D0%97%D1%83%D0%B5%D0%B2_%D0%91% D1%83%D1%82%D0%BE%D0%B2_%D0%98%D0%B2%D0%B0%D0%BD%D0%BE%D0%B2%D0 %B0_%D0%9D%D0%B8%D0%BA%D1%82%D0%B8%D0%BD%D0%B0_%D0%A3%D0%BB%D0 %B0%D0%BD%D0%BE%D0%B2.pdf (дата обращения: 17.11.2025).
21. Пикалёв, Я. С. О нейронных архитектурах извлечения признаков для задачи распознавания объектов на устройствах с ограниченной вычислительной мощностью / Я.С. Пикалёв [Электронный ресурс] // Проблемы искусственного интеллекта. – 2023. – № 2413-7383. – С. 44-54. – DOI: 10.34757/2413-7383.2023.30.3.004. – ISSN: 2413-7383. URL: http://paijournal.guiaidn.ru/download_pai/2023_3/4_%D0%9F%D0%B8%D0%BA%D0%B0%D0%BB %D0%B5%D0%B2_%D0%95%D1%80%D0%BC%D0%BE%D0%BB%D0%B5%D0%BD%D0%BA% D0%BE.pdf (дата обращения: 17.11.2025).
22. Tsai Y.-H. и др. Learning to Adapt Structured Output Space for Semantic Segmentation [Электронный ресурс]. 2020. URL: https://arxiv.org/pdf/1802.10349 (дата обращения: 16.11.2025).
23. Hoffman J. и др. CyCADA: Cycle-Consistent Adversarial Domain Adaptation [Электронный ресурс]. 2017. URL: https://arxiv.org/pdf/1711.03213 (дата обращения: 16.11.2025).
24. Zhong Z. и др. Adversarial Style Augmentation for Domain Generalized Urban-Scene Segmentation [Электронный ресурс]. 2022. URL: https://arxiv.org/pdf/2207.04892 (дата обращения: 16.11.2025).
25. Li Y. и др. LSKNet: A Foundation Lightweight Backbone for Remote Sensing [Электронный ресурс]. 2025. URL: https://arxiv.org/pdf/2403.11735 (дата обращения: 16.11.2025).
26. Szántó M. и др. Building Maps Using Monocular Image-feeds from Windshield-mounted Cameras in a

Issue: 4(39)'2025
Section: ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING
How to cite: Ustenko V.Y. Blizno M.V.. DATA AUGMENTATION METHODOLOGY FOR SEGMENTING KEY OBJECTS IN UAV AERIAL IMAGERY // Problems of Artificial Intelligence. - 2025. - № 4 (39). - P. 84-97. - https://paijournal.guiaidn.ru/en/2025/4(39)-8.html

Back to issue 4(39)'2025