Details

В работе проведён обзор классических и современных методов  сегментации радиолокационных изображений, выявлены их преимущества и  ограничения. Для достижения поставленной цели реализован и обучен нейросетевой блок на архитектуре U-Net, адаптированный к особенностям РЛИ, включая наличие спекл-шума и выраженный дисбаланс классов. В качестве исходных данных использован открытый датасет HRSID. Проведена серия экспериментов по подбору гиперпараметров и внедрению предобработки изображений, что позволило повысить точность сегментации. Для сравнения обучена модель DeepLabV3+ на тех же данных, что позволило выявить преимущества U-Net по точности, скорости и  ресурсоэффективности. В результате работы достигнута цель по созданию эффективного и адаптивного метода семантической сегментации радиолокационных изображений, пригодного для практического применения в автоматизированных системах анализа спутниковых данных.

The thesis presents a review of classical and modern methods for SAR image segmentation, identifying their advantages and limitations. To achieve the stated goal, a neural network block based on the U-Net architecture was implemented and trained, adapted to the specifics of SAR data, including speckle noise and pronounced class imbalance. The open HRSID dataset was used as input data. A series of experiments with hyperparameter tuning and preprocessing were conducted, resulting in improved segmentation accuracy. For comparison, a DeepLabV3+ model was trained on the same data, which allowed the advantages of U-Net in accuracy, speed, and resource efficiency to be demonstrated. As a result, the goal of creating an efficient and adaptive semantic segmentation method for radar images, suitable for practical use in automated satellite data analysis systems, was achieved.