NobleBlocks

Research indexJournal article

Підхід до пошуку найбільш ефективних гіперпараметрів навчання моделей для визначення руйнувань за мультимодальними знімками

Румянцев, Kyselov, Тупчієнко and 1 other

Адаптивні системи автоматичного управління27 Sep 2026Open access

NobleIDark:/48914/w1/20261105/4FFFBD44DOI10.20535/1560-8956.50.2026.372310

Abstract

Представлено системний підхід до пошуку найбільш ефективних гіперпараметрів навчання нейронної мережі на основі класичної архітектури U-Net для задачі семантичної сегментації руйнувань будівель за мультиспектральними супутниковими знімками. Дослідження проводилося на наборі даних BRIGHT, який містить оптичні та радарні (SAR) знімки до та після катастрофічних подій. Методом решітчастого пошуку (Grid Search) по 128 конфігураціях визначено найбільш ефективне поєднання параметрів: просторова розмірність 1024 х 1024 пікселів, комбінована функція втрат (зважена перехресна ентропія + Lovasz-Softmax із Л = 0,75) та ефективний розмір пакета 4 (реалізований через акумуляцію градієнтів). Показано, що сумісне використання SAR та оптичних каналів забезпечує вищу точність порівняно з уніфікованими наборами. Виявлено та описано ряд ефектів, що виникають під час навчання в умовах дисбалансу класів: асиметрія збіжності класів, конфлікт злиття різних фізичних модальностей на рівні першого шару та регуляри- заційний ефект шарів Batch Normalization при акумуляції градієнтів. Знайдена найкраща серед 128 перебраних конфігурацій слугує відправною точкою для налаштування архітектур наступного покоління. Бібл. 12, іл. 10, табл. 1

Discussion

More

Suggest a correction or report