АНАЛИЗ Sota-АРХИТЕКТУР ДЛЯ СЕМАНТИЧЕСКОЙ АУГМЕНТАЦИИ

Е. С. Мороз, Я. С. Пикалёв

Об авторах

Е. С. Мороз, Я. С. Пикалёв

Мороз Егор Сергеевич – инженер-исследователь, Федеральное государствен- ное бюджетное научное учреждение, «Институт проблем искусственного интеллекта». Область научных интересов: анализ данных, распознавание образов, компьютерное зрение, адрес: г. Донецк, ул. Егорова, д. 16, кв. 1.

Пикалёв Ярослав Сергеевич – кандидат техн. наук, старший научный сотрудник лаборатории интеллектуальных систем и анализа данных Федерального государственного бюджетного научного учреждения «Институт проблем искусственного интеллекта», Область научных интересов: цифровая обработка сигналов, анализ данных, распознавание образов, обработка естественного языка, компьютерное зрение, машинное обучение, нейронные сети, г. Донецк, адрес: 283085, ДНР, г. Донецк, ул. Отважных, д. 19, кв. 85.

Скачать PDF

УДК: 004.932.2
DOI: 10.24412/2413-7383-2025-4-39-60-70
Язык: Русский

Аннотация: В статье рассмотрены задачи семантической сегментации в контексте прикладного компьютерного зрения и связанного круга задач: обнаружение объектов, сегментация экземпляров и панорамная сегментация. Проанализированы лёгкие и высокоскоростные архитектуры реального времени, с точки зрения баланса между точностью и задержкой на наборах Cityscapes, CamVid и UAVid. Основное внимание уделено вопросам подготовки данных: аугментации, аннотированию изображений, предварительной обработке и интерпретируемости моделей.

Ключевые слова: семантическая сегментация, компьютерное зрение, обнаружение объектов, сегментация экземпляров, панорамная сегментация, аугментация данных, перекрёстная геолокализация

Список литературы

1. Мороз Е. С. Методы семантической сегментации в компьютерном зрении: обзор архитектур, функций потерь и современных подходов // Донецкие чтения – 2025: образование, наука, инновации, культура и вызовы современности: материалы X Международной научной конференции (Донецк, 2025 г.). Донецк, 2025.
2. Покинтелица А. Е. Применение клеточных автоматов для создания искусственных цифровых изобра - жений // Искусственный интеллект: теоретические аспекты и практическое применение: материалы Донецкого Международного круглого стола. Донецк: ФГБНУ «ИПИИ», 2025. 296 с. С. 12 –18.
3. Ермоленко Т. В. К вопросу о применении глубокого обучения д ля задачи перекрёстной геолокализации / Т. В. Ермоленко, Р. С. Хакимов // Проблемы искусственного интеллекта. 2024. № 4 (35). С. 12 –28.
4. Пикалёв, Я. С. Обнаружение ключевых объектов и перекрёстная геолокация: анализ наборов данных и методологические аспекты // Проблемы искусственного интеллекта. 2024. № 4.С. 25 –37. ISSN 2413 -7383.
5. Павленко, Б. В. Методика создания набора аэрофотоснимков для задачи перекрёстной геолокации / Б. В. Павленко, Я. С. Пикалёв // Проблемы искусственного интеллекта. 2024. № 4. С. 101 –112. ISSN 2413 -7383.
6. Близно М. В. Сравнение различных методов аугментации на обучение модели нейронной сети // Искусственный интеллект: теоретические аспекты и практическое применение: материалы Донецкого Международного круглого стола. Донецк: ФГБНУ «ИПИ И», 2025. 296 с. С. 99 –102.
7. Хакимов Р. С. К вопросу о разработке системы аннотирования данных для задач компьютерного зрения / Р. С. Хакимов, О. Л. Нижникова, М. В. Близно // Проблемы искусственного интеллекта. 2024. № 3 (34). С. 70–79. ISSN 2413 -7383. DOI 10.24412/2413 -7383-2024-3-70-79.
8. Акимов А. А. Предварительная обработка данных для машинного обучения / А. А. Акимов, Д. Р. Валитов, А. И. Кубряк // Научное обозрение. Технические науки. 2022. № 2. С. 26 –31.
9. Кришнан Ш. Р. Улучшение обнаружения аномалий на видео с помощью усовершенствованной технологии UNET и техники каскадного скользящего окна / Ш. Р. Кришнан, П. Амудха // Информатика и автоматизация. 2024. № 6 (23). С. 1899 –1930. ISSN 2713 -3192. – DOI 10.15622/ia.23.6.12.
10. Хакимов Р. С. Обзор расширенных т ехник аугментации для набора данных изображений / Р. С. Хакимов, Б. В. Павленко, Я. С. Пикалёв // Донецкие чтения 2024: материалы IX Международной научной конференции (Донецк, 15 –17 октября 2024 г.). Т. 2. Донецк: Изд -во ДонГУ, 2024. С. 272 –275. ISSN 2664 - 7362; ISSN 2664 -7370.
11. Никитенко, К. А. Интерпретируемость нейросемантических моделей при их применении в прикладных областях / К. А. Никитенко, А. В. Звягинцева. // Проблемы искусственного интеллекта. 2025. № 2. С. 79 –90. ISSN 2413 -7383.
12. Солопов, М. В. Исследование применения моделей Mask R -CNN и Segment Anything Model (SAM) для инстанс-сегментации мезенхимных стволовых клеток на микрофотографиях / М. В. Солопов, Е. С. Чечехина, А. Г. Попандопуло, А. С. Кавелина, Г. В. Акопян, В. В. Турчин // Проблемы искусст - венного интеллекта. 2025. № 2(37). С. 21 –29. DOI 10.24412/2413 -7383-2025-2-37-21-29. EDN ODOKND. ISSN 2413 -7383.
13. Yu C. BiSeNet: Bilateral Segmentation Network for Real -time Semantic Segmentation / C. Yu, J. Wang, C. Peng, C. Gao, G. Yu, N. Sang // Proc. ECCV. 2018. Electronic resource. Mode of access: https://www.alphaxiv.org/abs/1808.00897
14. Xu J. PIDNet: A Real -time Semantic Segmentation Network Inspired by PID Controllers / J. Xu, Y. Tang, K. Chen [et al.]. – arXiv preprint, 2022. – Electronic resource. – Mode of access: https://arxiv.org/abs/2206.02066
15. Yin H. Deep Dual -resolution Networks for Real -time and Accurate Semantic Segmentation of Road Scenes / H. Yin, X. Shen, J. Fang [et al.]. arXiv preprint, 2021. Electronic resource. Mode of access: https://arxiv.org/pdf/2101.06085
16. Xie E. SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers / E. Xie, W. Wang, Z. Yu [et al.]. arXiv preprint, 2024. Electronic resource. – Mode of access: https://arxiv.org/abs/24 10.01092v1 М Мороз Е. С. Пикалёв Я. С.
17. Li H. DFNet: Deep Feature Aggregation Network for Real -time Semantic Segmentation / H. Li, P. Xiong, J. Fan, L. Sun. – arXiv preprint, 2019. – Electronic resource. – Mode of access: https://arxiv.org/abs/1903.03777v2
18. Li X. Semantic Flow for Fast and Accurate Scene Parsing (SFNet) / X. Li, H. Xiong, H. Fan [et al.] // Proc. ECCV. 2020. Electronic resource. Mode of access: https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123460749.pdf
19. Yu C. BiSeNet V2: Bilateral Network with Guided Aggregat ion for Real -time Semantic Segmentation / C. Yu, C. Gao, J. Wang, G. Yu, N. Sang. arXiv preprint, 2020. Electronic resource. Mode of access: https://arxiv.org/pdf/2004.02147
20. Chen X. FasterSeg: Searching for Faster Real -time Semantic Segmentation / X. Chen, Y. Zhu, G. Lin [et al.]. – arXiv preprint, 2019. – Electronic resource. – Mode of access: https://arxiv.org/abs/1912.10917
21. When Humans Meet Machines: Towards Efficient Segmentation. – [s.l.], 2023. – Electronic resource. – Mode of access: https://scispace.com/pdf/when -humans-meet-machines-towards-efficient-segmentation - 4pir2uvpjc.pdf

Выпуск: 4(39)'2025
Раздел: Искусственный интеллект и машинное обучение
Как цитировать: Е. С. Мороз, Я. С. Пикалёв. АНАЛИЗ Sota-АРХИТЕКТУР ДЛЯ СЕМАНТИЧЕСКОЙ АУГМЕНТАЦИИ // Проблемы искусственного интеллекта. - 2025. - № 4 (39). - С. 60-70. - https://paijournal.guiaidn.ru/ru/2025/4(39)-6.html

Назад к выпуску 4(39)'2025