Использование U-Net сети с механизмом внимания совместно с архитектурными надстройками для фреймворка Pytorch в рамках поиска гиперпараметров посредством библиотеки Weights&Biases для предсказывания области видимости по карте местности

Текущий уровень развития глубокого обучения позволяет заменить нейронными сетями существующие специфические для моделирования военных действий алгоритмы. Поиск гиперпараметров даёт возможность определить структуры сетей, подходящие для решения соответствующих задач. Данная работа описывает процесс поиска структуры сети для предсказания зоны оптической видимости на основе фрагмента цифровой карты местности и предлагает архитектурные решения для комбинирования возможных составных частей сети, обеспечивая их совместимость в рамках поиска наилучшего решения. В качестве финального варианта предлагается использование U-Net архитектуры с поканальным механизмом внимания и энкодером на основе сети ResNet50.

1. Mathematical model complex for military grouping efficiency assessment: [Electronic resource] // URL: http://en.belfortex.com/page/show/9. (Date of access: 15/11/2024).

2. E. Rulko, et al. Application of a simulation system for optimizing solutions based on elements of the theory of reflexive control. Collection of scientific articles of the Military academy of the Republic of Belarus. 2017. № 32. P. 153–162.

3. Olaf Ronneberger, et al. U-Net: Convolutional Networks for Biomedical Image Segmentation. 2015. arXiv: 1505.04597.

4. Ozan Oktay et al. Attention U-Net: Learning Where to Look for the Pancreas. 2018. arXiv: 1804.03999.

5. Weights & Biases: [Electronic resource] // URL: https://wandb.ai/site. (Date of access: 15/11/2024).

6. PyTorch implementation of U-Net, R2U-Net, attention U-Net, attention R2U-Net. https://github.com/LeeJunHyun/Image_Segmentation. 2018.

7. E. Gamma, et al. “Design Patterns Elements of Reusable Object-Oriented Software,” Addison-Wesley, Massachusetts, 1995.

8. PyTorch documentation. Weighted random sampler: [Electronic resource] // URL: https://pytorch.org/docs/stable/data.html#torch.utils.data.WeightedRandomSampler. (Date of access: 15/11/2024).

9. How to Improve Class Imbalance using Class Weights in Machine Learning?: [Electronic resource] // URL: https://www.analyticsvidhya.com/blog/2020/10/improve-class-imbalance-class-weights/. (Date of access: 15/11/2024).

10. N. V. Chawla, et al. SMOTE: Synthetic Minority Over-sampling Technique. 2011. arXiv: 1106.1813.

11. Long Chen, et al. SCA-CNN: Spatial and Channel-wise Attention in Convolutional Networks for Image Captioning. 2016. arXiv: 1611.05594.