Speaker
Description
В настоящее время методы машинного обучения и нейронных сетей значительно способствуют решению задач в различных областях, включая сегментацию изображений. Однако обучение большинства моделей требует размеченных экспертами данных, что является значительным ограничением при обработке больших объемов данных. В данной работе предлагается подход, объединяющий self-supervised [1] и supervised методы для сегментации изображений.
Для проведения исследования были подготовлены два набора томографических изображений: бетонного образца с разрешением 2.45 мкм и карбонатного образца керна с разрешением 3.77 мкм. На этих данных были обучены различные архитектуры self-supervised learning, такие как SimCLR, BYOL, SwAV и MAESTER. В процессе обучения модели сформировали внутренние представления о структуре исходных данных. Обученная self-supervised модель затем использовалась для решения downstream-задачи, результатом которой стал набор меток для исходных данных. Эти автоматически созданные метки затем применялись для обучения сверточной нейронной сети U-Net [2].
Для оценки качества сегментации также была выполнена ручная разметка обоих наборов изображений, и на этих данных была обучена аналогичная сеть U-Net. Сравнение результатов сегментации показало, что предложенный подход значительно уменьшает время, необходимое для ручной разметки, при этом обеспечивая качество сегментации, сопоставимое с качеством, полученным на основе полностью ручной разметки.
1. Jing, Long, and Yingli Tian. "Self-supervised visual feature learning with deep neural networks: A survey." IEEE transactions on pattern analysis and machine intelligence 43.11 (2020): 4037-4058.
2. Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. "U-net: Convolutional networks for biomedical image segmentation." International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015.
| Секция конференции | Методы искусственного интеллекта и машинного обучения |
|---|
