Автоматична сегментація об'єктів на зображеннях за допомогою напівкерованого навчання з використанням активного навчання та стабільної дифузії

Скорочена інформація про документ
dc.contributor.advisorШаповал, Наталія Віталіївна
dc.contributor.authorКрутій, Іван Віталійович
dc.date.accessioned2024-02-12T14:42:08Z
dc.date.available2024-02-12T14:42:08Z
dc.date.issued2024
dc.description.abstractМагістерська дисертація: 109 с., 8 рис., 19 табл., 1 додаток, 24 джерела. Тема дисертації: «Автоматична сегментація об'єктів на зображеннях за допомогою напівкерованого навчання з використанням активного навчання та стабільної дифузії». Об’єкт дослідження - набір даних DeepGlobe Road Extraction Dataset, що складається з 6226 супутникових зображень доріг для навчання. Набір даних також включає 1243 валідаційних та 1101 тестових зображень. Мета роботи - розробити модель напівкерованого навчання, яка використовує методи активного навчання та стабільної дифузії для автоматичної сегментації об'єктів на супутникових знімках, зосереджуючись на виділенні доріг. Метод дослідження - підходи напівкерованого навчання, стратегії активного навчання та процеси стабільної дифузії. Програмна реалізація методу виконана в середовищі Python 3.8. Предметом дослідження є сегментація зображень методом напівкерованого навчання, зокрема, для виділення доріг на супутникових знімках. Це включає вирішення таких проблем, як недосконала анотація та відсутність анотацій для певних типів доріг. Отримані результати: розроблено модель, яка може автоматично сегментувати дороги на супутникових знімках. Ця модель здатна працювати з недосконалими позначками та неанотованими об'єктами, що робить її надійною для практичного застосування в аналізі супутникових знімків.
dc.description.abstractotherMaster’s thesis: 109 p., 8 fig., 19 tabl., 1 appendix, 24 sources. Topic of the research: «Automatic object segmentation in images by semi-supervised learning using active learning and stable diffusion» Object of the research is the DeepGlobe Road Extraction Dataset, which consists of 6226 satellite images of road for learning. The dataset also includes 1243 validation images and 1101 test images. Aim of the study is to develop a semi-supervised learning model that utilizes active learning and stable diffusion techniques for automatic object segmentation in satellite images, specifically focusing on road extraction. Subject of the research consists in semi-supervised learning approaches, active learning strategies, and stable diffusion processes. Implementaion of software performed in Python 3.8 environment. Research methods: the development and implementation of advanced techniques in image segmentation, particularly for road extraction from satellite images. Thus we deal with imperfect labeling and the absence of annotations for certain road types. Results: a model has been developed that can segment roads in satellite images automatically. This model is capable of handling imperfect labels and unannotated features, making it robust for practical applications in satellite image analysis.
dc.format.extent109 с.
dc.identifier.citationКрутій, І. В. Автоматична сегментація об'єктів на зображеннях за допомогою напівкерованого навчання з використанням активного навчання та стабільної дифузії : магістерська дис. : 124 Системний аналіз / Крутій Іван Віталійович. - Київ, 2024. - 109 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/64469
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectавтоматична сегментація об'єктів
dc.subjectнапівкероване навчання
dc.subjectактивне навчання
dc.subjectстабільна дифузія
dc.subjectсупутникові знімки
dc.subjectвиділення доріг
dc.subjectсегментація зображень
dc.subjectнабір даних для виділення доріг deepglobe
dc.subjectautomatic object segmentation
dc.subjectsemi-supervised learning
dc.subjectactive learning
dc.subjectstable diffusion
dc.subjectsatellite imagery
dc.subjectroad extraction
dc.subjectimage segmentation
dc.subjectdeepglobe road extraction dataset
dc.subject.udc004.932.2 + 93'11
dc.titleАвтоматична сегментація об'єктів на зображеннях за допомогою напівкерованого навчання з використанням активного навчання та стабільної дифузії
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Krutii_magistr.pdf
Розмір:
2.08 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ММСА)
Магістерські роботи