Анализ устойчивости нейросетевого алгоритма оценивания координат ключевых точек на изображениях в условиях аддитивного шума

Автор(ы): Гаджиев Д.С., Макаренко А.В.

Выпуск: 120

Рубрика: Информационные технологии в управлении

Год: 2026

Библиография: Гаджиев Д.С., Макаренко А.В. Анализ устойчивости нейросетевого алгоритма оценивания координат ключевых точек на изображениях в условиях аддитивного шума // Управление большими системами. - 2026. - Вып. 120. - С.163-205.

Дата опубликования: 31.03.2026

Ключевые слова: оценка позы животных, устойчивость к шуму, оценка позы, компьютерное зрение, гауссовский шум

Аннотация: Представлен качественный и количественный анализ устойчивости модели YOLOv8 к аддитивному гауссовскому шуму на выборке изображений крупного рогатого скота при решении задачи оценивания позы. Выбор данного вида шума обоснован проведенным структурным анализом помеховых компонент современных полупроводниковых фотосенсоров, в рамках которого показан превалирующий характер выбранного шума. Проведено измерение евклидовых отклонений и числа пропущенных точек при 34-х уровнях шума, выполнена декомпозиция ошибки на систематическую и случайную компоненты, осуществлён анализ робастности 19 анатомических точек и выявлены их кластеры с различными паттернами устойчивости. Кластеры соответствуют анатомически и функционально связанным группам точек с сопоставимой чувствительностью к интенсивности помех. Установлены количественные пороги перехода модели из устойчивого режима оценивания позы в режим прогрессирующей деградации и систематического отказа. Статистическая значимость данного перехода подтверждена по критерию Тьюки. Обучение на зашумленных данных позволило повысить точность модели примерно в 3 раза, для одного из определяющих уровней шума, смещая порог отказа нейросетевой модели в область более интенсивного шума. Полученные результаты позволяют глубже понять природу ошибок и наметить пути повышения надёжности и устойчивости функционирования систем оценки позы при их эксплуатации в промышленных условиях.

Author(s): Gadzhiev D., Makarenko A.

Article title: Robustness in deep learning model at estimation keypoints coordinates on images with additive gaussian noise

Issue: 120

Year: 2026

Keywords: animal pose estimation, noise robustness, pose estimation, computer vision, Gaussian noise

Abstract: This paper presents a qualitative and quantitative robustness analysis of the YOLOv8 model under additive Gaussian noise on a dataset of cattle images for animal pose estimation. The choice of this noise type is justified by a structural analysis of inter-ference components in modern semiconductor photosensors, which demonstrates the dominant character of the selected noise. Euclidean deviations and the number of missed keypoints were measured across 34 noise levels. The estimation error was decomposed into systematic and random components, and the robustness of 19 ana-tomical keypoints was analyzed, revealing distinct clusters with different stability patterns. The clusters correspond to anatomically and functionally related groups of keypoints with comparable sensitivity to noise intensity. Quantitative thresholds were established for the transitions from a robust pose estimation regime to pro-gressive degradation and then to systematic failure. The statistical significance of these transitions was confirmed using Tukey's test. Training on noisy data improved model accuracy by approximately a factor of three at a critical noise level, shifting the failure threshold toward significantly higher noise intensities. These findings provide deeper insight into error mechanisms and outline practical directions for enhancing the reliability and operational robustness of pose estimation systems in industrial environments.