Крюкова, ГалинаДехтяр, Юр-Любомисл2026-08-272026-08-272025https://ekmair.ukma.edu.ua/handle/123456789/40984У роботi дослiджується задача автоматичного виявлення меж сiльськогосподарських полiв на супутникових знiмках за допомогою методiв самокерованого навчання (self-supervised learning). Видiлення контурiв полiв є важливим етапом для подальших задач агроаналiтики, таких як прогнозування врожайностi, класифiкацiя культур та монiторинг змiн землекористування. Через обмежену доступнiсть розмiчених даних в українському контекстi особливого значення набувають методи, якi дають змогу ефективно використовувати великi масиви нерозмiчених зображень, зокрема самокероване навчання. Як базову модель сегментацiї використано архiтектуру U-Net з енкодером ResNet18. Проведено серiю експериментiв, що порiвнюють випадкову iнiцiалiзацiю ваг, попереднє навчання на ImageNet, а також передтренування за допомогою методу DenseCL — сучасного пiдходу самокерованого контрастивного навчання, орiєнтованого на задачi щiльного передбачення. Додатково розглянуто фундацiйну модель Clay, натреновану на багатосенсорних супутникових даних з використанням методiв MAE. Результати показують, що поєднання трансферного та самокерованого навчання дозволяє досягти найкращих показникiв за метриками Dice та IoU. Виконано також вiзуальний аналiз сегментацiйних масок, який пiдтверджує, що самокероване передтренування покращує локалiзацiю меж i зменшує кiлькiсть хибних прогнозiв. Отриманi результати є релевантними для побудови систем супутникового агромонiторингу в Українi.ukсупутникові знімкисамокероване навчання (self-supervised learning)сегментація полівагромоніторингU-NetResNet18DenseCLмагістерська роботаOther