МЕТОДИКА РАСШИРЕНИЯ ДАННЫХ ДЛЯ СЕГМЕНТАЦИИ КЛЮЧЕВЫХ ОБЪЕКТОВ НА АЭРОФОТОСНИМКАХ БПЛА

Устенко В.Ю; Близно М.В

doi:10.24412/2413-7383-2025-4-39-84-97

Устенко В.Ю. Близно М.В

Об авторах

Устенко В.Ю. Близно М.В

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.

УДК: 004.932.2
DOI: 10.24412/2413-7383-2025-4-39-84-97
Язык: Русский

Аннотация: В данной работе авторами предложена методика (StageAug), использующая ограниченное количество ресурсов сервера машинного обучения, повышающая робастность. Эксперименты проводятся на синтетическом наборе данных SynDrone (дорога, природные объекты, застройка, препятствия, вода, иные объекты), с использованием предварительно обученной нейросетевой архитектуры StripNet, предназначенной для извлечения высокоуровневых признаков. Ключевой элемент – поэтапный конвейер аугментаций (методов расширения данных): от мягких фотометрических преобразований до Copy-Paste редких объектов, мозаики 2×2/3×3. В результате экспериментов было выявлено, что предложенная авторами методика стабилизирует ранние эпохи и обеспечивает mIoU=0.6264, FWIoU=0.9565. Результаты исследования подтверждают гипотезу: гармонизация аугментаций и использование насыщенного StripNet-FPN действительно помогает сгладить синтетико-реальный разрыв и повысить робастность.

Ключевые слова: семантическая сегментация, StripNet, FPN, SynDrone, БПЛА, аэрофотосъёмка, аугментация, мозаика.

Список литературы

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
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).
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.
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).
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).
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).
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).
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).
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).
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).
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).
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).
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).
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).
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).
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).
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).
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).
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.
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).
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).
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).
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).
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).
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).
Szántó M. и др. Building Maps Using Monocular Image-feeds from Windshield-mounted Cameras in a

Выпуск: 4(39)'2025
Раздел: Искусственный интеллект и машинное обучение
Как цитировать: Устенко В.Ю. Близно М.В. МЕТОДИКА РАСШИРЕНИЯ ДАННЫХ ДЛЯ СЕГМЕНТАЦИИ КЛЮЧЕВЫХ ОБЪЕКТОВ НА АЭРОФОТОСНИМКАХ БПЛА // Проблемы искусственного интеллекта. - 2025. - № 4 (39). - С. 84-97. - https://paijournal.guiaidn.ru/ru/2025/4(39)-8.html


	РУС ENG
	МЕТОДИКА РАСШИРЕНИЯ ДАННЫХ ДЛЯ СЕГМЕНТАЦИИ КЛЮЧЕВЫХ ОБЪЕКТОВ НА АЭРОФОТОСНИМКАХ БПЛА
О журнале Новости Цели и сфера Основатель и издатель Редакционная коллегия Условия лицензирования Конфиденциальность Отношение к плагиату Публикационная этика Политика архивирования Подписка Для авторов Инструкции для авторов Процесс рецензирования Авторские права Договор о передаче прав Редакционные сборы Архив Все выпуски Поиск Контакты Контакты	Устенко В.Ю. Близно М.В Об авторах Устенко В.Ю. Близно М.В 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. УДК: 004.932.2 DOI: 10.24412/2413-7383-2025-4-39-84-97 Язык: Русский Аннотация: В данной работе авторами предложена методика (StageAug), использующая ограниченное количество ресурсов сервера машинного обучения, повышающая робастность. Эксперименты проводятся на синтетическом наборе данных SynDrone (дорога, природные объекты, застройка, препятствия, вода, иные объекты), с использованием предварительно обученной нейросетевой архитектуры StripNet, предназначенной для извлечения высокоуровневых признаков. Ключевой элемент – поэтапный конвейер аугментаций (методов расширения данных): от мягких фотометрических преобразований до Copy-Paste редких объектов, мозаики 2×2/3×3. В результате экспериментов было выявлено, что предложенная авторами методика стабилизирует ранние эпохи и обеспечивает mIoU=0.6264, FWIoU=0.9565. Результаты исследования подтверждают гипотезу: гармонизация аугментаций и использование насыщенного StripNet-FPN действительно помогает сгладить синтетико-реальный разрыв и повысить робастность. Ключевые слова: семантическая сегментация, StripNet, FPN, SynDrone, БПЛА, аэрофотосъёмка, аугментация, мозаика. Список литературы 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 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). 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. 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). 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). 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). 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). 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). 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). 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). 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). 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). 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). 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). 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). 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). 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). 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). 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. 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). 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). 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). 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). 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). 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). Szántó M. и др. Building Maps Using Monocular Image-feeds from Windshield-mounted Cameras in a Выпуск: 4(39)'2025 Раздел: Искусственный интеллект и машинное обучение Как цитировать: Устенко В.Ю. Близно М.В. МЕТОДИКА РАСШИРЕНИЯ ДАННЫХ ДЛЯ СЕГМЕНТАЦИИ КЛЮЧЕВЫХ ОБЪЕКТОВ НА АЭРОФОТОСНИМКАХ БПЛА // Проблемы искусственного интеллекта. - 2025. - № 4 (39). - С. 84-97. - https://paijournal.guiaidn.ru/ru/2025/4(39)-8.html
Основатель и издатель: ФГБНУ "Институт проблем искусственного интеллекта" Адрес: ДНР 283048, г. Донецк, ул. Артема, дом 118 б Главный редактор: Шелепов В.Ю. © ФГБНУ "Институт проблем искусственного интеллекта",