Семантическая сегментация изображений в проекте «Duckietown»
https://doi.org/10.25205/1818-7900-2021-19-3-26-39
Аннотация
Статья посвящена сравнительному анализу алгоритмов семантической сегментации и исследованию их применимости на примере проекта «Duckietown». Рассмотрены как классические алгоритмы семантической сегментации, так и алгоритмы, использующие подходы машинного обучения. Исследованы фреймворки машинного обучения с учетом всех ограничений проекта «Duckietown». По результатам исследования для решения задачи сегментации в проекте «Duckietown» были выбраны нейросетевые алгоритмы, основанные на сетях U-Net, SegNet, DeepLab-v3, FC-DenceNet и PSPNet. U-Net и SegNet и протестированы на симуляторе «Duckietown»
Об авторах
Д. Е. Шабалина
Новосибирский государственный университет
Россия
Россия
Дарья Евгеньевна Шабалина, студент бакалавриата, 3 курс
Новосибирск
К. С. Ланчуковская
Новосибирский государственный университет
Россия
Россия
Кристина Сергеевна Ланчуковская, студент бакалавриата, 3 курс
Новосибирск
Т. В. Лях
Новосибирский государственный университет
Россия
Россия
Татьяна Викторовна Лях, кандидат технических наук
Новосибирск
К. В. Чайка
Санкт-Петербургский государственный электротехнический университет; Лаборатория алгоритмов мобильных роботов «JetBrains Research»
Россия
Россия
Константин Владимирович Чайка, аспирант 3 года обучения
Санкт-Петербург
Список литературы
1. Sharma Y. Adoption of next generation robotics: A case study on Amazon. Pune, 2017, 15 p.
2. Csurka G., Larlus D., Perronnin F. What is a good evaluation measure for semantic segmentation. Meylan, 2013, 11 p.
3. Зуенко Е. А., Шулунова А. А. Автоматическое выделение боковых желудочков головного мозга на МРТ изображении // Вестник НГУ. Серия: Информационные технологии. 2017. Т. 15, № 4. С. 22–31. DOI 10.25205/1818-7900-2017-15-4-22-31
4. Мусатян С. А., Ломакин А. В., Сартасов С. Ю., Попыванов Л. К., Монахов И. Б., Чижова А. С. Способы сегментации медицинских изображений // Тр. Ин-та системного программирования РАН. М., 2018. DOI 10.15514/ISPRAS-2018-30(4)-12
5. Горбачевa В. А., Криворотовa И. А., Маркелов А. О., Котлярова Е. В. Семантическая сегментация спутниковых снимков аэропортов с помощью свёрточных нейронных сетей. Мю, 2019. 10 с.
6. Ozmen A., Akman E. T. Edge detection using steerable filters and CNN. In: 11th European Signal Processing Conference. Toulouse, 2002, pp. 1–4.
7. Pestunov I., Rylov S., Berikov V. Hierarchical Ensemble Clustering Algorithm for Multispectral Image Segmentation. In: Proceedings 9th Open German-Russian Workshop on Pattern Recognition and Image Understanding (OGRW-2014). Koblenz, Uni. of Koblenz-Landau Press, 2015, pp. 123–127.
8. Рылов С. А., Мельников П. В., Пестунов И. А. Спектрально-текстурная классификация гиперспектральных изображений высокого пространственного разрешения // Интерэкспо ГЕО-Сибирь. 2016. Т. 4, № 1. С. 78–84.
9. Чичварин Н. В. Пороговые методы. М., 2016.
10. Луценко М. Т., Ульянычев Н. В., Семичевская Н. П. Автоматизированная система распознавания объектов на микроскопических изображениях биологических образцов. Благовещенск, 1999.
11. Пестунов И. А., Синявский Ю. Н. Алгоритмы кластеризации в задачах сегментации спутниковых изображений // Вестник КемГУ. 2012. Т. 52, № 4/2. С. 110–125.
12. Li B., Shi Y., Qi Z., Chen Z. A Survey on Semantic Segmentation. Beijing, 2018. DOI 10.1109/ICDMW.2018.00176
13. Noh H., Hong S., Han B. Learning deconvolution network for semantic segmentation. Pohang, 2015.
14. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Berlin, 2015.
15. Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, vol. 39, no. 12, pp. 2481–2495. DOI 10.1109/TPAMI.2016.2644615
16. Емельянов А. В. Анализ методов семантической сегментации изображений на основе нейронных сетей. М., 2019.
17. Chen L., Papandreou G., Kokkinos I., Murphy K., Yuille A. L. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, vol. 40, no. 4, pp. 834–848. DOI 10.1109/TPAMI.2017.2699184
18. Zhou J., Hao M., Zhang D., Zou P., Zhang W. Fusion PSPnet Image Segmentation Based Method for Multi-Focus Image Fusion. IEEE Photonics Journal, 2019, vol. 11, no. 6, pp. 1–12. DOI 10.1109/JPHOT.2019.2950949
19. Paszke A. ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation. Ithaca, 2016, 10 p.
20. Zhao H., Qi X., Shen X., Shi J., Jia J. ICNet for Real-Time Semantic Segmentation on HighResolution Images. Hong Kong, 2018, 16 p.
21. Chaurasia A., Culurciello E. LinkNet: Exploiting encoder representations for efficient semantic segmentation. EEE Visual Communications and Image Processing (VCIP), 2017, pp. 1–4. DOI 10.1109/VCIP.2017.8305148
22. Емельянов А. В., Галиахметов Д. Г. Анализ методов семантической сегментации изображений в реальном времени на основе нейронных сетей. М., 2020.
23. Mehta S., Rastegari M., Caspi A., Shapiro L., Hajishirzi H. ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation. Seattle, 2018, 29 p.
24. Romera E., Alvarez J. M., Bergasa L. M., Arroyo R. ERFNet: Efficient Residual Factorized ConvNet for Real-time Semantic Segmentation. IEEE Transactions on Intelligent Transportation Systems, 2018, vol. 19, no. 1, pp. 263–272. DOI 10.1109/TITS.2017.2750080
25. Brahimi S., Aoun N. B., Chokri B. A., Benoit A., Lambert P. Multiscale Fully Convolutional DenseNet for Semantic Segmentation. Pilsen, 2018.
26. Li X. Examining the spatial distribution and temporal change of the green view index in New York City using Google Street View images and deep learning. Philadelphia, 2020, 16 p.
27. Tóth Z. Deep Learning-based Semantic Segmentation in Simulation and Real-World for Autonomous Vehicles. URL: https://smartlabai.medium.com/deep-learning-based-semanticsegmentation-in-simulation-and-real-world-for-autonomous-vehicles-e7fe25cef816 (accessed 31.03.2021).
28. Айрапетов А. Э., Коваленко А. А. Исследование генеративно-состязательной сети // Политехнический молодежный журнал МГТУ им. Н. Э. Баумана. 2018. № 10. DOI 10.18698/2541-8009-2018-10-380
Рецензия
Для цитирования:
Шабалина Д.Е., Ланчуковская К.С., Лях Т.В., Чайка К.В. Семантическая сегментация изображений в проекте «Duckietown». Вестник НГУ. Серия: Информационные технологии. 2021;19(3):26-39. https://doi.org/10.25205/1818-7900-2021-19-3-26-39
For citation:
Shabalina D.E., Lanchukovskaya K.S., Liakh T.V., Chaika K.V. Semantic Image Segmentation in Duckietown. Vestnik NSU. Series: Information Technologies. 2021;19(3):26-39. (In Russ.) https://doi.org/10.25205/1818-7900-2021-19-3-26-39
Просмотров:
421
Послать статью по эл. почте 