arXiv · 07.08.2026 ·Машинное обучение

GeoDistill-Refine: автоматическая сегментация космических аппаратов без разметки

Исследователи представили GeoDistill-Refine — двухэтапный фреймворк для обучения компактных моделей сегментации космических аппаратов без участия человека. Метод решает проблему нестабильности базовых моделей сегментации, таких как SAM, при работе с узкоспециализированными изображениями. Система объединяет предсказания по нескольким текстовым промптам и корректирует геометрические ошибки, обеспечивая высокую точность выделения объектов в сложных условиях космоса.

Основная сложность при работе с космическими снимками заключается в отсутствии качественных размеченных датасетов. Использование foundation-моделей позволяет генерировать псевдомаски, однако их качество сильно зависит от формулировки промпта. Новый подход GeoDistill-Refine сначала фокусируется на силуэтах объектов, минимизируя влияние шумов и артефактов, а затем переносит эти знания в компактную нейросеть, пригодную для развертывания на бортовых вычислительных системах.

Технология включает этап геометрической дистилляции, который позволяет сгладить противоречивые предсказания базовой модели. За счет слияния шести фиксированных промптов система формирует более устойчивое представление об объекте, что критически важно для задач навигации и стыковки в космосе, где точность сегментации напрямую влияет на безопасность маневров.

Ключевые факты

Метод GeoDistill-Refine исключает необходимость ручной разметки данных для обучения моделей сегментации.
Алгоритм использует двухэтапный процесс: сначала формируются силуэты, затем происходит дистилляция знаний в компактную сеть.
Система объединяет результаты сегментации по шести различным текстовым промптам для повышения стабильности.
Решение оптимизировано для задач, где требуется высокая точность выделения контуров космических аппаратов в условиях отсутствия обучающих масок.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Новый метод аугментации данных с помощью диффузионных моделей Исследователи представили метод аугментации данных для семантической сегментации, решающий проблему нехватки редких объектов и визуального разнообразия. Алгоритм использует диффузионные модели для генерации синтетических данных, сохраняя при этом высокую точность разметки. Подход опирается на оценку неопределенности, что позволяет выборочно обновлять области изображения, минимизируя риск рассогласования между сгенерированными пикселями и исходными масками сегментации. arXiv · Машинное обучение Применение машинного обучения для сопоставления астрономических данных Исследователи представили новый метод автоматизированного сопоставления данных из рентгеновского каталога Chandra (CSC v2.1) и оптического каталога Gaia (DR3). Традиционные подходы к поиску соответствий между объектами в космосе часто ограничиваются анализом их пространственного положения, что приводит к ошибкам при наличии нескольких кандидатов в одной области неба. Новый алгоритм учитывает дополнительные характеристики источников, включая их звездные величины, спектральные цвета и расстояния до объектов. arXiv · Машинное обучение Автоматическая классификация астрономических транзиентов без участия человека Исследователи представили метод глубокого обучения для классификации астрономических событий (Real-Bogus), не требующий ручной разметки данных. Система использует инъекции синтетических транзиентов и методы оценки неопределенности для фильтрации шума в автоматизированных обзорах неба. Подход позволяет эффективно отделять реальные астрофизические объекты от артефактов обработки изображений, снижая зависимость от дорогостоящей экспертной оценки и субъективных мнений сообщества. arXiv · Машинное обучение Метод декомпозиции задач для повышения эффективности разметки данных Исследователи представили новый подход к разметке структурированных данных, основанный на декомпозиции сложных задач на более простые подзадачи. Метод позволяет значительно снизить затраты на создание качественных обучающих выборок, минимизируя необходимость в дорогостоящей ручной проверке результатов, полученных с помощью моделей, и повышая общую точность разметки для последующего обучения downstream-моделей. arXiv · Машинное обучение Повышение стабильности сегментации изображений в контексте через Concept Guidance Исследователи представили метод Concept Guidance для улучшения сегментации изображений в контексте (ICS). Подход позволяет моделям стабильно выделять целевые области на основе нескольких примеров без дообучения параметров. Новая архитектура минимизирует чувствительность нейросетей к вариациям входных данных, обеспечивая высокую точность сегментации даже при изменении условий запроса, что критически важно для надежности компьютерного зрения. arXiv · Исследования и наука Новый метод Reflow с выравниванием маргинальных распределений ускоряет генерацию моделей Исследователи представили метод Reflow с выравниванием маргинальных распределений (Marginal Distribution Alignment), направленный на ускорение генерации в диффузионных моделях. Новый подход решает проблему неточности дискретизации обыкновенных дифференциальных уравнений (ОДУ), позволяя сократить количество шагов выборки при сохранении высокого качества генерации, что критически важно для эффективного инференса современных генеративных систем. arXiv · Исследования и наука Новый метод сегментации органов в лапароскопической хирургии Исследователи представили метод улучшения сегментации внутренних органов при лапароскопических операциях, использующий трансферное обучение и специализированные декодеры для каждого класса. Решение эффективно справляется с проблемой дисбаланса данных, когда мелкие или редко встречающиеся анатомические структуры недостаточно представлены в обучающих выборках, что критически важно для точности автоматизированных хирургических систем и поддержки принятия решений в реальном времени. arXiv · Машинное обучение DyFrDet: новый метод повышения точности детекции мелких объектов Исследователи представили DyFrDet — метод для улучшения детекции мелких объектов на изображениях, где визуальных признаков недостаточно. Решение фокусируется на подавлении частотных шумов и устранении неоднозначности меток (label disambiguation). Подход позволяет модели эффективнее выделять полезные характеристики объектов, минимизируя влияние фоновых помех, что критически важно для задач компьютерного зрения с высоким уровнем детализации. arXiv · Исследования и наука Новый фреймворк для геопозиционирования объектов по кросс-видовым изображениям Исследователи представили единый одностадийный фреймворк для геопозиционирования объектов, который преодолевает ограничения традиционного 2D-сопоставления изображений. Система эффективно связывает данные с наземных камер или дронов с геопривязанными спутниковыми снимками, учитывая геометрические параметры сцены. Это решение позволяет точнее определять координаты объектов в условиях нехватки размеченных данных и различий в углах обзора камер. Hacker News · Обучение и дообучение Google запустила сервис дистилляции моделей Gemini Google представила сервис Gemini Distillation, позволяющий переносить знания из крупных моделей Gemini 1.5 Pro на более компактные и эффективные версии. Инструмент автоматизирует процесс обучения меньших моделей на основе ответов более мощных систем, что помогает разработчикам создавать специализированные решения с высокой производительностью при значительно меньших затратах на инференс и задержках в работе.

← Все материалы