Прорыв в геологической информатике
Ученые факультета вычислительной математики и кибернетики МГУ совместно с исследователями Геологического института РАН разработали прогрессивный метод для расширения обучающих наборов при семантической сегментации минералов на микрофотографиях аншлифов. Этот подход автоматически определяет участки изображения с высокой эпистемической неопределенностью модели, фокусируя усилия эксперта на ключевых фрагментах вместо полной переразметки. Работа выполнена при поддержке Российского научного фонда.
Эффективность вместо рутины
Автоматическая идентификация минералов критически важна для петролого-минералогического анализа и ускорения обработки данных. Однако нейросети часто теряют точность при работе с изображениями, полученными на другом оборудовании или при изменении условий съемки. Традиционная доразметка таких данных крайне трудоемка и требует привлечения высококвалифицированных геологов.
Гиперболические карты уверенности
Новый метод использует гиперболическое активное обучение (HALO) для генерации карты неопределенности по всему изображению. Для каждого пикселя рассчитывается "гиперболический радиус" в пространстве Пуанкаре, отражающий степень неуверенности модели: высокие значения соответствуют зонам сомнительных предсказаний. На практике это создает интуитивную тепловую карту, наглядно выделяющую области для приоритетной разметки.
Целевая оптимизация обучения
«Гиперболическая оценка позволяет точечно доразмечать именно те участки аншлифов, где модель теряет точность при смене условий. Это стратегически эффективнее бессистемного расширения датасета», — подчеркивает Александр Хвостиков, старший научный сотрудник лаборатории математических методов обработки изображений ВМК МГУ.
Подтверждение и перспективы
Тестирование на датасете LumenStone S1v2 с искусственными цветовыми искажениями ("blue", "pink", "yellow") доказало, что карты гиперболического радиуса для архитектур ResUnet и PSPNet четко коррелируют с ошибками модели. Сравнение с альтернативными метриками неопределенности показало конкурентоспособность, а часто и превосходство нового подхода. Внедрение карт неопределенности существенно сокращает объем ручного труда. Дальнейшие планы включают создание полного пайплайна обработки микроизображений с цветокоррекцией и интеграцией в открытый Python-пакет petroscope.
Информация предоставлена пресс-службой МГУ
Источник фото: ru.123rf.com
Источник: scientificrussia.ru