Nowadays, means of preventive management in various spheres of human life are actively developing. The task of automated
screening is to detect hidden problems at an early stage without human intervention, while the cost of responding to them is low.
Visual inspection is often used to perform a screening task. Deep artificial neural networks are especially popular in image
processing. One of the main problems when working with them is the need for a large amount of well-labeled data for training. In
automated screening systems, available neural network approaches have limitations on the reliability of predictions due to the lack of
accurately marked training data, as obtaining quality markup from professionals is very expensive, and sometimes not possible in
principle. Therefore, there is a contradiction between increasing the requirements for the precision of predictions of neural network
models without increasing the time spent on the one hand, and the need to reduce the cost of obtaining the markup of educational
data. In this paper, we propose the parametric model of the segmentation dataset, which can be used to generate training data for
model selection and benchmarking; and the multi-task learning method for training and inference of deep neural networks for
semantic segmentation. Based on the proposed method, we develop a semi-supervised approach for segmentation of salient regions
for classification task. The main advantage of the proposed method is that it uses semantically-similar general tasks, that have better
labeling than original one, what allows users to reduce the cost of the labeling process. We propose to use classification task as a
more general to the problem of semantic segmentation. As semantic segmentation aims to classify each pixel in the input image,
classification aims to assign a class to all of the pixels in the input image. We evaluate our methods using the proposed dataset
model, observing the Dice score improvement by seventeen percent. Additionally, we evaluate the robustness of the proposed
method to different amount of the noise in labels and observe consistent improvement over baseline version.
У наш час активно розвиваються засоби превентивного управління в різних сферах людського життя. Завдання
автоматизованого скринінгу полягає у виявленні прихованих проблем на ранній стадії без втручання людини, тоді як вартість
реагування на них низька. Візуальний огляд часто використовується для виконання скринінгу. Глибокі штучні нейронні мережі
особливо популярні при обробці зображень. Однією з головних проблем при роботі з ними є потреба у великій кількості добре
розмічених даних для навчання. В автоматизованих системах скринінгу доступні нейромережеві підходи мають обмеження по
точності прогнозів через відсутність точно розмічених навчальних даних, оскільки отримання якісної розмітки від професіоналів є
дорогим, а іноді неможливо в принципі. Отже, виникає протиріччя між підвищенням вимог до точності прогнозів моделей
нейронних мереж без збільшення витрачається часу, з одного боку, і необхідністю зниження витрат на отримання розмітки
навчальних даних. У цій роботі ми пропонуємо параметричну модель набору даних сегментації, яка може бути використана для
формування навчальних даних; а також метод многозадачного машинного навчання для навчання і прогнозування глибоких
нейронних мереж в задачі семантичної сегментації. На основі запропонованого методу запропонований підхід полуавтоматіческго
навчання завдання сегментації важливих для класифікації регіонів. Основною перевагою запропонованого методу є те, що він
використовує семантично схожі загальні завдання, які мають кращу маркування, ніж вихідна, що дозволяє користувачам знизити
вартість процесу маркування. В роботі запропоновано використовувати завдання класифікації як більш загальну до завдання
семантичної сегментації. Оскільки семантична сегментація спрямована на класифікацію кожного пікселя вхідного зображення,
класифікація спрямована на присвоєння класу всім пікселям вхідного зображення. Робота методу оцінена, використовуючи
запропоновану модель набору даних, спостерігається поліпшення коефіцієнта Дайса-Соренсена на сімнадцять відсотків. Крім
того, оцінена стійкість запропонованого методу до різній кількості шуму в розмітці, що показало поліпшені результати щодо
методу однозадачних навчання.
