doi: 10.17586/2226-1494-2026-26-5-1049-1056


УДК 004.896

Генерация синтетических наборов данных для обучения детекторов объектов в подводной среде (на англ. яз.)

Алшавареб Б., Колюбин С.А.


Читать статью полностью 
Язык статьи - английский

Ссылка для цитирования:
Алшавареб Б., Колюбин С.А. Генерация синтетических наборов данных для обучения детекторов объектов в подводной среде // Научно-технический вестник информационных технологий, механики и оптики. 2026. Т. 26, № 5. С. 1049–1056 (на англ. яз.). doi: 10.17586/2226-1494-2026-26-5-1049-1056


Аннотация
Введение. Адаптация моделей обнаружения объектов к подводной среде представляет собой значительную задачу из-за ослабления света в воде и ограниченной доступности данных. Предлагается новый подход к решению проблемы нехватки целевых подводных наборов данных путем генерации управляемых текстовыми подсказками реалистичных синтетических изображений и последующей донастройки стандартных детекторов объектов на этих данных. Метод. Предложенный алгоритм начинается с донастройки модели генерации изображений по текстовому описанию на небольшом наборе реальных подводных изображений с использованием метода Low-Rank Adaptation. Модель генерирует большой набор разнообразных синтетических подводных изображений, соответствующих заданным текстовым подсказкам. Для обеспечения точности генерируемых изображений вводится модуль верификации, который отфильтровывает несоответствующие образцы на основе косинусного сходства между эмбеддингами подсказки и описания сгенерированного изображения. Сегментационные маски автоматически извлекаются из сгенерированных изображений с использованием модели выделения значимых объектов. В результате дополняются реальные подводные изображения синтетическими парами изображение-маска и выполняется донастройка модели детектора на расширенном наборе данных. Основные результаты. Экспериментальные результаты на подмножестве примерно из 800 изображений бенчмарка USIS10K показали увеличение средней точности mean Average Precision (mAP) на 2,2 % при использовании умеренного количества синтетических данных по сравнению с базовым сценарием, в котором использовались только реальные изображения. Обсуждение. В данном исследовании синтетические изображения сгенерированы только для классов водолазов и руин. Наблюдалось улучшение не только для исследованных классов, но и для классов, не дополненных синтетическими данными, прежде всего для рыб. Также проведены эксперименты в условиях более скудных данных, при этом сокращено число обучающих изображений двух целевых классов с 345 до 180. В этих условиях внедрение синтетических изображений дало более значительное улучшение средней точности (на 3,3 %), что подчеркивает необходимость синтетических данных при ограниченном объеме реальных обучающих данных.

Ключевые слова: обнаружение подводных объектов, Stable Diffusion XL, генерация синтетических наборов данных, BLIP2, LoRA

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2026 ©
Научно-технический вестник информационных технологий, механики и оптики.

Яндекс.Метрика