Populiarėjant saulės baterijų naudojimui didėja ir duomenų poreikis planavimui bei valdymui. Deja, šie duomenys sunkiai prieinami arba neegzistuoja, o resursai, skirti segmentavimo modelių mokymui, yra apriboti ir plėtimui reikia daug išteklių. Šiame darbe panaudotas pix2pix generatyvinis besivaržantis tinklas naujų nuotraukų generavimui iš turimų duomenų, padidinant mokymo išteklių DeepLabV3 segmentavimo modeliui kiekį. Naudojant žinių perkėlimą, modelio adaptavimą bei 60% sugeneruotų nuotolinio stebėjimo nuotraukų kaip papildomus mokymo duomenis, padidintas aptiktų kolektorių kiekis, modelio tikslumas (angl. accuracy) padidintas 0.78%, taiklumas (angl. precision) – 3.41%, jautrumas (angl. sensitivity) – 2.49%, F1 metrika – 2.71%, IoU (intersect over union) metrika – 3.19%, o nuostoliai (angl. loss) sumažėjo 0.0282.
This work is licensed under a Creative Commons Attribution 4.0 International License.