Гібридна архітектура attention U-Net з глибинно-розділюваними згортками для сегментації зображень

Abstract

Розроблено асиметричну архітектуру нейромережі типу U-Net, оптимізовану для функціонування в умовах суворих обмежень на апаратні ресурси оперативної та відеопам'яті обчислювальних систем. Наведено схему вибіркової модифікації структурних компонентів, яка передбачає збереження повнорозмірних стандартних згорткових операцій на етапі стиснення просторових ознак в енкодері для максимального вилучення низькорівневих геометричних особливостей та інтеграцію полегшених глибинно-розділюваних згорткових операцій на етапі відновлення роздільної здатності в шарах декодера. Введено блоки адитивної м'якої уваги для проміжних карт ознак у структурі пропущених зв'язків задля спрямованої стабілізації процесу навчання та повної компенсації можливої втрати точності цифрової сегментації зображень через полегшення внутрішньої архітектури шарів декодера. Проведено серію ідентичних експериментальних запусків процесу навчання моделі з варіативним набором початкових випадкових вагомостей шарів для забезпечення високої статистичної достовірності й об'єктивності порівняльного аналізу. Досліджено поведінку запропонованого гібридного підходу до побудови архітектури нейромережі на спеціалізованому біологічному наборі даних низькоконтрастних об'єктів Kvasir-SEG, що містить одну тисячу цифрових зображень із високою текстурною неоднорідністю навколишнього фону. З'ясовано, що запропонована архітектура нейромережі забезпечує середній показник точності за метрикою Dice на рівні 0,819, демонструючи практичну еквівалентність за якістю сегментації меж зображення порівняно зі стандартним прототипом нейромережі U-Net. При цьому загальну кількість научуваних параметрів нейромережі було успішно зменшено на 14,6 % від базового обсягу. Встановлено трикратне зниження амплітуди коливань валідаційної метрики під час тренування моделі та зменшення стандартного відхилення результатів до 0,004, що чітко вказує на підвищену стійкість сформованої системи до умов початкової ініціалізації вагомостей шарів. Підтверджено ефективність застосування комбінованого функціоналу втрат на основі попіксельної бінарної крос-ентропії та просторового перекриття масок у пропорції 0,3 до 0,7 для надійного пригнічення хибнопозитивних артефактів на тлі текстурних неоднорідностей. Проаналізовано швидкісні характеристики моделі на графічному пришвидшувачі NVIDIA T4 та доведено збереження низької латентності інференсу на рівні 26,41 мс на одне зображення.