Влияние стратегий аннотации и масштаба входных данных на эффективность семантической сегментации океанических вихрей, Impact of annotation strategies and input data scale on the efficiency of semantic segmentation of ocean eddies

<jats:p>Проведен аналитический обзор публикаций по семантической сегментации океанических вихрей. Показано, что архитектуры глубокого обучения, основанные на трансформерах, благодаря механизму самовнимания – наилучший вариант определения типа и общего контура вихря. Для оценки влияния стратегий аннотации и масштаба входных данных на качество сегментации с использованием модели SegFormer-B4 были сформированы наборы данных с масштабами 256×256, 512×512 и 1024×1024 пикселей. В экспериментах сравнивались два принципиально разных подхода к разметке изображений – детальная ручная аннотация (с филаментами) и упрощенная эллиптическая маска (без филаментов). Установлено, что модель, обученная на данных с включением спиральных филаментов, демонстрирует существенно более высокое качество сегментации по таким ключевым метрикам, как коэффициент Дайса (Dice Score) и индекс Жаккара (IoU). Выявлен оптимальный пространственный масштаб входных данных. Наилучшие показатели были достигнуты при использовании изображений размером 512×512 пикселей, что соответствовало исходному разрешению использованной предобученной модели SegFormer-B4. Сформулированы рекомендации по выбору стратегии аннотирования в зависимости от цели анализа – обнаружение наличия вихрей или точное восстановление их морфометрических характеристик.</jats:p>