Колінько, Павло2026-02-102026-02-102025Колінько П. В. Методика тренування глибокої нейронної мережі DeepLabV3 для семантичної сегментації об'єктів на супутникових зображеннях / Колінько П. В. // Теоретичні та прикладні аспекти побудови програмних систем : праці 16 Міжнародної науково-практичної конференції, 23-24 листопада 2025 року, Київ / [за заг. ред. М. М. Глибовця, Т. В. Панченка та ін. ; Факультет інформатики Національного університету "Києво-Могилянська академія" та ін.]. - Київ : НаУКМА, 2025. - С. 51-53.https://ekmair.ukma.edu.ua/handle/123456789/38300Semantic segmentation of satellite imagery remains one of the most challenging tasks in computer vision, requiring accurate pixel-level classification of diverse objects such as vegetation, buildings, and terrain features. DeepLab v3 is a state-of-the-art deep learning architecture with about 60-70M parameters to capture multi-scale contextual information. In this research, were proposed and tested a comprehensive training methodology for DeepLab integrated with PointRend head, utilizing ResNet-101 as backbone with layer-based learning rates and a gradual layer unfreezing strategy for the whole backbone. A composite loss function that is composed by weighted class-dependent loss metrics. Proposed approach allows to achive the optimal results, prevent model overfitting and accelerate model convergance.Семантична сегментація є фундаментальною та найобширнішою задачею комп'ютерного зору, що полягає у класифікації кожного пікселя зображення відповідно до його класу, на виході формуючи так звану “маску”. Застосування семантичної сегментації до супутникових знімків супроводжується специфічними викликами: надвисока роздільність зображень, велика варіативність масштабів об'єктів (для дерев - як поодинокі дерева, так і лісові масиви, для водойм - невеликі затоки або широкі озера), атмосферні перешкоди, сезонні зміни забарвлення рослинності, та значний дисбаланс класів.ukсемантична сегментаціясемантична сегментація супутникових зображеньзгорткові нейронні мережімережа ResNet-101матеріали конференціїConference materials