Semantic segmentation accuracy improvement based on forced edge detection

Скорочена інформація про документ
dc.contributor.authorShapovalova, S. I.
dc.contributor.authorMoskalenko, Yu. V.
dc.date.accessioned2020-06-15T09:43:19Z
dc.date.available2020-06-15T09:43:19Z
dc.date.issued2019
dc.description.abstractenIn applied image analysis, semantic segmentation is one of the most common. The main problem of semantic segmentation is the loss of pixel accuracy, especially at object boundaries. In some application tasks, such accuracy is essential, such as the diagnosis of medical imaging pathologies. The article proposes a way to improve the accuracy of semantic segmentation through the modification of deep learning neural networks by forced contour determination by the Sobel operator. A modification of the U-Net and FPN neural network architecture is presented. The formulation and results of the computational experiments are presented. The effectiveness of the proposed method was experimentally proved.uk
dc.description.abstractruСемантическая сегментация является одной из наиболее распространенных в прикладных задачах анализа изображений. Основной проблемой семантической сегментации в сетях глубокого обучения является потеря пиксельной точности при обработке изображений на нижних слоях энкодера, в особенности на границах объектов. В некоторых прикладных задачах такая точность имеет решающее значение, например при диагностике патологий на основе медицинских снимков. В статье предложен метод повышения точности семантической сегментации с помощью модификации нейронных сетей глубокого обучения принудительным определением контуров оператором Собеля. Представлена модификация нейронных сетей архитектур U-Net и FPN. Приведено постановку и результаты проведения вычислительных экспериментов. Экспериментально доказано эффективность предложенного способа.uk
dc.description.abstractukВ прикладних задачах аналізу зображень семантична сегментація є однією з найпоширеніших. Основною проблемою семантичної сегментації на мережах глибокого навчання є втрата піксельної точності при обробці зображень на нижніх шарах енкодера. Це особливо суттєво на границях об’єктів. В деяких прикладних задачах така точність має надважливе значення, наприклад, при діагностиці патологій на основі медичних знімків. В статті запропоновано спосіб підвищення точності семантичної сегментації завдяки модифікації нейронних мереж глибокого навчання примусовим визначенням контурів оператором Собеля. Представлено модифікацію нейронних мереж архітектур U-Net та FPN. Приведено постановку обчислювальних експериментів та результати їх проведення. Експериментально доведено ефективність запропонованого способу.uk
dc.format.pagerangePp. 79-87uk
dc.identifier.citationShapovalova, S. Semantic segmentation accuracy improvement based on forced edge detection / S. I. Shapovalova, Yu. V. Moskalenko // Адаптивні системи автоматичного управління : міжвідомчий науково-технічний збірник. – 2019. – № 2 (35). – С. 79–87. – Бібліогр.: 16 назв.uk
dc.identifier.doihttps://doi.org/10.20535/1560-8956.35.2019.197435
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/34167
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceАдаптивні системи автоматичного управління : міжвідомчий науково-технічний збірник, 2019, № 2 (35)uk
dc.subjectdeep learning neural networkuk
dc.subjectU-Netuk
dc.subjectFPNuk
dc.subjectsemantic segmentationuk
dc.subjectSobel operatoruk
dc.subjectмережі глибокого навчанняuk
dc.subjectсемантична сегментаціяuk
dc.subjectоператор Собеляuk
dc.subjectсети глубокого обученияuk
dc.subjectсемантическая сегментацияuk
dc.subject.udc004.032.26uk
dc.titleSemantic segmentation accuracy improvement based on forced edge detectionuk
dc.title.alternativeПідвищення точності семантичної сегментації на основі примусового виокремлення контурівuk
dc.title.alternativeПовышение точности семантической сегментации на основе принудительного выделения контуровuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
asau2019-2_10.pdf
Розмір:
490.27 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Адаптивні системи автоматичного управління: міжвідомчий науково-технічний збірник, № 2 (35)