Исследование устойчивости моделей полносверточных нейронных сетей с робастными функциями потерь к импульсным помехам на изображениях | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2025. № 73. DOI: 10.17223/19988605/73/4

Исследование устойчивости моделей полносверточных нейронных сетей с робастными функциями потерь к импульсным помехам на изображениях

Исследуется устойчивость моделей полносверточных нейронных сетей mo-u-net, полученных путем использования известных робастных функций потерь (РФП), к импульсным помехам на изображениях деревьев пихты, пораженных уссурийским полиграфом. Для исследования устойчивости применяются метрики точности классификации деревьев IoUc и mIoU. Для исследования моделей создан датасет, фрагменты обучающей выборки которого имеют искусственным образом внесенные импульсные помехи. Анализ результатов исследования каждой из семи моделей показал, что модель с РФП Уэлша является наиболее предпочтительной при работе с зашумленными изображениями. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.

Скачать электронную версию публикации

Загружен, раз: 3

Ключевые слова

семантическая сегментация (попиксельная классификация) изображения, импульсная помеха, робастная функция потерь, помехоустойчивость сверточной нейронной сети

Авторы

ФИО	Организация	Дополнительно	E-mail
Малкин Артем Юрьевич	Национальный исследовательский Томский политехнический университет	аспирант Отделения информационных технологий инженерной школы информационных технологий и робототехники	malkin@tpu.ru
Марков Николай Григорьевич	Национальный исследовательский Томский политехнический университет	профессор, доктор технических наук, профессор Отделения информационных технологий инженерной школы информационных технологий и робототехники	markovng@tpu.ru

Всего: 2

Ссылки

Chang W.Y., Lantz V.A., Hennigar C.R., MacLean D.A. Economic impacts of forest pests: a case study of spruce budworm out breaks and control in New Brunswick, Canada // Canadian Journal of Forest Research. 2012. V. 42. P. 490-505. doi: 10.113 9/x11-190.

van Lierop P., Lindquist E., Sathyapala S., Franceschini G. Global forest area disturbance from fire, insect pests, diseases and severe weather events // Forest Ecology and Management. 2015. V. 352. P. 78-88. doi: 10.1016/j.foreco.2015.06.010.

Musolin D., Kirichenko N., Karpun N., Mandelshtam M., Selikhovkin A., Zhuravleva E., Aksenenko E., Golub V., Kerchev I., Vasaitis R., Volkovitsh M., Zhuravleva E., Selikhovkin A. Invasive pests of forests and urban trees in Russia: origin pathways, damage, and management // Forests. 2022. V. 13. Art. 521. doi: 10.3390/f13040521.

Кривец С.А., Бисирова Э.М., Волкова Е.С., Дебков Н.М., Керчев И.А., Мельник М.А., Никифоров А.Н., Чернова Н.А. Тех нология мониторинга пихтовых лесов в зоне инвазии уссурийского полиграфа в Сибири. Томск : УМИУМ, 2018. 74 с.

Марков Н.Г., Мачука К. Модели и методы глубокого обучения для решения задач дистанционного мониторинга лесных ресурсов // Известия Томского политехнического университета. Инжиниринг георесурсов. 2024. Т. 335, № 6. С. 55-74. doi: 10.18799/24131830/2024/6/4600.

Safonova A., Tabik S., Alcaraz-Segura D., Rubtsov A., Maglinets Y., Herrera F. Detection of fir trees (Abies sibirica) damaged by the Bark Beetle in unmanned aerial vehicle images with deep learning // Remote Sensing. 2019. V. 11. P. 643-662. doi: 10.3390/rs11060643.

Керчев И.А., Маслов К.А., Марков Н.Г., Токарева О.С. Семантическая сегментация поврежденных деревьев пихты на сним ках с беспилотных летательных аппаратов // Современные проблемы дистанционного зондирования Земли из космоса. 2021. Т. 18, № 1. С. 116-126. doi: 10.21046/2070-7401-2021-18-1-116-126.

Adachi K., Yamaguchi S. Learning Robust Convolutional Neural Networks with Relevant Feature Focusing Via Explanations // 2022 IEEE International Conference on Multimedia and Expo (ICME). IEEE, 2022. P. 1-6.

Сивак М.А. Робастное обучение нейронных сетей с простой архитектурой для решения задач классификации : дис.. канд. техн. наук : 05.13.17. Новосибирск, 2022. 117 с.

Fanjun L., Ying L. Robust echo state network with Cauchy loss function and hybrid regularization for noisy time series prediction // Applied Soft Computing. 2023. V. 146. Art. 110640.

Li X., Lu Q., Dong Y., Tao D. Robust subspace clustering by cauchy loss function // IEEE Transactions on Neural Networks and Learning Systems. 2018. V. 30 (7). P. 2067-2078.

Li X., Xia Z., Zhang H. Cauchy activation function and XNet // arXiv preprint arXiv: 2409.19221. 2024. URL: https://arxiv.org/abs/2409.19221.

Малкин А.Ю., Марков Н.Г. Помехоустойчивость модели полносверточной нейронной сети U-Net при семантической сегментации деревьев пихты на зашумленных снимках с БПЛА // Доклады ТУСУР. 2024. Т. 27, № 2. С. 64-70. doi: 10.21293/1818-0442-2024-27-2-64-70.

Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention. 2015. V. 9351. P. 234-241. doi: 10.1007/978-3-319-24574-4_28.

Марков Н.Г., Маслов К.А., Керчев И.А., Токарева О.С. Модели U-Net для семантической сегментации поврежденных деревьев сосны сибирской кедровой на снимках с БПЛА // Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19, № 1. С. 65-77. doi: 10.21046/2070-7401-2022-19-1-65-77.

Wu J., Chen X.Y., Zhang H., Xiong L.D., Lei H., Deng S.H. Hyperparameter optimization for machine learning models based on Bayesian optimization // Journal of Electronic Science and Technology. 2019. Vol. 17 (1). P. 26-40.