Анализ ошибок и подходов к их коррекции при нейросетевой сегментации морского льда по радиолокационным данным БПЛА

Автоматизированная интерпретация радиолокационных изображений морского льда является важным инструментом мониторинга ледовой обстановки в арктических акваториях. Применение методов глубокого обучения обеспечивает детальное выделение различных типов ледовой поверхности, однако ошибки сегментации характеризуются пространственной неоднородностью и могут существенно различаться по механизмам возникновения. Выявление факторов, определяющих характер неправильного распознавания, представляет интерес для разработки более устойчивых алгоритмов обработки радиолокационных данных.

В работе исследованы пространственные закономерности ошибок ранее разработанной нейросетевой модели на основе модифицированной архитектуры Swin-Unet с предварительной обработкой изображений методами анизотропной фильтрации Перона-Малика и адаптивного повышения локального контраста CLAHE. Основное внимание уделено ошибкам на границах ледовых образований, неверному распознаванию внутренних областей объектов и возможностям коррекции результатов без повторного обучения модели.

Диагностическая проверка проведена на шести фрагментах трех размеченных радиолокационных сцен БПЛА из исходного массива данных модели. Для оценки использованы более двух миллионов размеченных пикселей, матрицы ошибок, показатели F1 и IoU. Дополнительно исследованы зависимости частоты ошибок от расстояния до межклассовых границ, яркости изображения и локальной вариативности радиолокационного сигнала.

Установлено, что ошибки распознавания формируют две характерные группы. Первая связана с приграничными областями: доля неверных предсказаний на расстоянии до одного пикселя от границы составляет 35,45 процента, снижаясь до 1,97 процента на расстоянии более двадцати пикселей. Предполагается, что существенную роль играют пространственное смешение признаков соседних классов, сглаживание контуров нейросетевой моделью и неопределенность эталонной разметки.

Вторая группа представлена ошибками внутри относительно однородных объектов. Установлено, что 80,33 процента случаев ошибочного отнесения льда к открытой воде расположены дальше пяти пикселей от межклассовых границ. Для двух исследованных сцен такие ошибки сопровождаются снижением локальной яркости и вариативности изображения. Полученные наблюдения позволяют выдвинуть гипотезу о недостаточной различимости слабоконтрастных участков льда и воды на основе используемого набора признаков.

Для оценки возможностей коррекции выполнено сравнение исходной сегментации и пространственной фильтрации предсказанных классов. Применение голосования в окрестности размером пять на пять пикселей обеспечило уменьшение общего числа ошибок на 1,21 процента, преимущественно за счет устранения локальных неправильных включений. Вместе с тем установлено снижение полноты распознавания небольших компонентов ледовых классов. Это указывает на целесообразность разработки адаптивной постобработки, учитывающей размеры объектов и положение межклассовых границ.

Дополнительно исследована возможность автоматического выделения проблемных участков по выходным оценкам нейросети. Предложенный способ отбора пикселей с минимальным разрывом между ведущими выходами внутри предсказанных классов позволил сосредоточить 34,43 процента всех ошибок на 8,57 процента оцениваемой площади. Такой подход представляет интерес для организации выборочной экспертной проверки результатов сегментации.

Проведенный анализ позволил выделить различные группы ошибок распознавания морского льда и обосновать направления совершенствования алгоритма, включающие учет пространственного контекста, сохранение малоразмерных объектов при постобработке и выделение участков повышенного риска неправильной классификации.