Сегментация снимков наноматериалов с помощью гибридной архитектуры сиамской сети и U-NET
Аннотация
В работе представлен метод сегментации изображений наноматериалов на основе нейронных сетей с использованием малого числа обучающих примеров. Выполнен сравнительный анализ современных методов обучения с ограниченными данными, включая метаобучение, трансферное обучение, генеративные сети и вариационные автокодировщики. Описаны ключевые особенности и ограничения существующих методов. Предложена гибридная архитектура, объединяющая сиамскую сеть и U-Net, что позволяет повысить точность сегментации даже при неоднородной структуре изображений. Архитектура использует метрическое обучение для сравнения пар изображений (эталон и запрос), обеспечивая устойчивое обучение и обобщение на основе 5–50 размеченных примеров. Используется евклидово расстояние для сравнения векторных представлений. Представлены результаты экспериментов, демонстрирующие высокие значения индекса Жаккара, коэффициента Дайса, точности и полноты.
