Лабораторная работа 3: Семантическая сегментация с U-Net

1. Цель работы

Практическое освоение архитектуры U-Net для задачи семантической сегментации изображений, изучение skip-connections и метрик оценки качества сегментации.

2. Теоретическое введение

U-Net - архитектура для семантической сегментации с U-образной структурой, состоящей из:

• Энкодера - сжимающий путь для извлечения признаков
• Декодера - расширяющий путь для точной локализации
• Skip-connections - соединения между энкодером и декодером для сохранения пространственной информации

3. Датасет

• Тип: Синтетический датасет геометрических фигур
• Размер: 800 изображений 128×128×3
• Классы: 3 (фон, объект, граница)
• Разделение: 640 train, 96 validation, 96 test

4. Предобработка данных

• Нормализация пикселей [0, 255] → [0, 1]
• One-hot encoding масок
• Создание tf.data.Dataset с prefetch

5. Архитектура модели

U-Net с:

• Энкодер: 4 блока сверток + max pooling
• Декодер: 4 блока upsampling + skip-connections
• Выход: Conv2D с softmax (3 класса)
• Параметры: 31M trainable parameters

6. Гиперпараметры обучения

• Оптимизатор: Adam (lr=1e-4)
• Функция потерь: Combined (Dice + Categorical Crossentropy)
• Batch size: 32
• Эпохи: 50 (ранняя остановка)
• Метрики: Accuracy, Dice Coefficient, IoU

7. Результаты на тестовой выборке

8. Выводы

• Модель демонстрирует медленную сходимость
• Skip-connections критически важны для сегментации
• Комбинированная функция потерь улучшает стабильность
• Требуется больше эпох обучения для улучшения метрик
• Качество сегментации границ требует улучшения

9. 📊 Визуализация результатов

Примеры данных

Предсказания модели

Файлы проекта

• lab3_unet_segmentation.py
  - основной код
• best_unet_model.h5
  - лучшая модель
• lab3_detailed_report.txt
  - детальный отчет