Детальная информация

Данная работа посвящена исследованию обобщающей способности моделей искусственного интеллекта на изображениях бездорожья с высокой плотностью объектов и возможности их применения для решения задач навигации автономного транспорта. Задачи которые решались в ходе исследования: A. Изучение архитектур и моделей для сегментации изображений. B. Проведение сравнительного анализа выбранных архитектур. C. Проектирование плана эксперимента по изучению обобщающей способности моделей. D. Проведение тестирования обученных моделей, составление вывода о применимости полученных моделей для решения задач навигации и разработка рекомендаций к дальнейшей работе. В рамках данной работы были изучены различные подходы к созданию нейронной сети для сегментации изображений. По результатам анализа были выбраны архитектуры U-Net, DeppLabV3+, SegFormer. Для измерения качества сегментации этих моделей был создан экспериментальный стенд, на котором происходила подготовка данных и обучение всех моделей. В результате обучения и тестирования на тестовых данных из набора RUGD с задачей сегментации наиболее высокую оценку показала модель на базе DeepLabV3+, затем U-Net и SegFormer. На основании произведённого замера производительности и качества сегментации был сделан вывод о возможности применения протестированных моделей для навигации автономного транспорта в условиях бездорожья только при дополнительном обучении. Также в работе были предложены варианты для улучшения качества предсказаний моделей, а именно дополнительное обучение на аугментированных данных, обобщение классов сегментируемого изображения, увеличение штрафа за неправильное предсказание редко встречающихся объектов.

This work is devoted to the study of the generalization ability of artificial intelligence models on off-road images with a high density of objects and the possibility of their application for solving navigation tasks of autonomous vehicles. The tasks that were solved during the study include: A. Studying the architectures and models for image segmentation. B. Conducting a comparative analysis of the selected architectures. C. Designing an experiment plan for studying the generalization ability of models. D. Testing the trained models, drawing conclusions about the applicability of the obtained models for solving navigation tasks, and developing recommendations for further work. As part of this work, various approaches to creating a neural network for image segmentation were studied. Based on the analysis, the U-Net, DeepLabV3+, and SegFormer architectures were selected. An experimental setup was created to measure the segmentation quality of these models, where data was prepared and all models were trained. The DeepLabV3+ model showed the highest performance on the test data from the RUGD dataset, followed by the U-Net and SegFormer models. Based on the performance and segmentation quality measurements, it was concluded that the tested models can be used for autonomous vehicle navigation in off-road conditions, but only with additional training. The work also proposed options for improving the prediction quality of the models, such as additional training on augmented data, generalization of the classes of the segmented image, and increasing the penalty for incorrect predictions of rare objects.

• Настройка и реализация модели глубокого обучения для сегментации сцен в условиях бездорожья с высокой плотностью объектов
  • Введение
  • 1. Теоретическая часть
  • 2. Выбор моделей и проектирование эксперимента
  • 3. Реализация эксперимента
  • 4. Тестирование обученных моделей
  • Заключение
  • Список сокращений и условных обозначений
  • Список использованных источников
  • Приложение 1 Разработанный код