Исследование и применение архитектуры U-net для задачи сегментации изображений

В настоящей работе рассматриваются вопросы применения архитектуры U-Net для решения задачи сегментации изображений. Актуальность тематики обусловлена широким использованием методов сегментации в медицине, аэрокосмических исследованиях, системах дорожной безопасности, а также в аграрной и экологической отраслях. В последние годы значительное развитие технологий глубокого обучения способствовало улучшению точности и скорости работы моделей сегментации. В силу высокой эффективности U-Net в обработке изображений данная архитектура получила широкое распространение. В статье рассматриваются классическая архитектура U-Net и её современные модификации, включая Swin Transformer и Dual Attention Mechanism. Проводятся экспериментальные исследования на наборе медицинских изображений ультразвукового сканирования молочной железы, включающем три класса: снимки без признаков опухоли, изображения с доброкачественными и злокачественными новообразованиями. В процессе оценки моделей производится сравнение предсказанных масок с истинной маской сегментации, приводятся результаты экспериментальных исследований и делаются выводы о качестве рассмотренных моделей с применением оценок Precision, Recall, F1-Score и mean IoU.