Τεχνικές βαθιάς μηχανικής μάθησης και Συνελικτικά Νευρωνικά
Δίκτυα για την ταξινόμηση υπερφασματικών δεδομένων

Κοντόπουλος, Χρήστος; Kontopoulos, Christos

dc.contributor.author	Κοντόπουλος, Χρήστος	el
dc.contributor.author	Kontopoulos, Christos	en
dc.date.accessioned	2016-01-20T08:24:06Z
dc.date.available	2016-01-20T08:24:06Z
dc.date.issued	2016-01-20
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/41855
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.10189
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Υπερφασματικές εικόνες	el
dc.subject	Ταξινόμηση	el
dc.subject	Τηλεπισκόπηση	el
dc.subject	Βαθιά εκμάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Hypespectral images	en
dc.subject	Classification	en
dc.subject	Remote sensing	en
dc.subject	Deep learning	en
dc.subject	Neural networks	en
dc.title	Τεχνικές βαθιάς μηχανικής μάθησης και Συνελικτικά Νευρωνικά Δίκτυα για την ταξινόμηση υπερφασματικών δεδομένων	el
dc.title	Deep learning and Convolutional Neural Networks for the classification of hyperspectral data	en
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Όραση Υπολογιστών	el
heal.classification	Βαθιά Μηχανική Μάθηση	el
heal.classification	Remote Sensing	en
heal.classification	Computer Vision	en
heal.classification	Deep Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2015-10-22
heal.abstract	H ανάπτυξη και υλοποίηση αυτοματοποιημένων αλγορίθμων μηχανικής μάθησης για την ταξινόμηση εικόνων και αναγνώριση αντικειμένων απασχολεί έντονα την επιστημονική κοινότητα για αρκετές δεκαετίες. Την τελευταία πενταετία προσεγγίσεις που βασίζονται σε αρχιτεκτονικές βαθιάς εκμάθησης (deep learning) έχουν ξεπεράσει σημαντικά τις ακρίβειες ανίχνευσης και ταξινόμησης τεχνικών με πιο απλές/ρηχές αρχιτεκτονικές. Αν και οι σχετικές εργασίες για υπερφασματικά δεδομένα είναι λίγες σε αριθμό, τα αποτελέσματα είναι και σε αυτά τα πολυδιάστατα δεδομένα ελπιδοφόρα. Προς την κατεύθυνση αυτή, η παρούσα διπλωματική εργασία καταπιάστηκε με την διερεύνηση, μελέτη και αξιολόγηση προηγμένων αλγορίθμων επιβλεπόμενης ταξινόμησης υπερφασματικών δεδομένων. Πιο συγκεκριμένα, μελετήθηκαν και αξιολογήθηκαν τρεις τεχνικές ταξινόμησης: (i) ένα Συνελικτικό Νευρωνικό Δίκτυο βαθιάς αρχιτεκτονικής, (ii) μία μη-γραμμική Μηχανή Διανυσματικής Υποστήριξης τύπου RBF-kernel και (iii) μία γραμμική Μηχανή Διανυσματικής Υποστήριξης. Τα πολλαπλά πειράματα για την αξιολόγηση των ταξινομητών εφαρμόστηκαν σε δύο κατηγορίες υπερφασματικών δεδομένων: (α) δεδομένα τα οποία αποτελούν αντικείμενο μελέτης και σύγκρισης στη διεθνή βιβλιογραφία και διατίθενται ελεύθερα στο διαδίκτυο και (β) δεδομένα τα οποία δημιουργήθηκαν αποκλειστικά για τους σκοπούς της εργασίας και τον εμπλουτισμό της βιβλιογραφίας, με νέα πιο σύνθετα δεδομένα αξιολόγησης σε εκτεταμένες γεωγραφικά περιοχές και αριθμό κλάσεων (>90). Σε όλες τις περιπτώσεις τα συνελικτικά νευρωνικά δίκτυα με βαθιά μάθηση έδωσαν αποτελέσματα με τις μεγαλύτερες ακρίβειες ταξινόμησης. Τα αποτελέσματα αυτά συμφωνούν με τη βιβλιογραφία, ενώ τα αποτελέσματα στα νέα δεδομένα ελέγχου υποδεικνύουν ότι ακόμα και με 98 κλάσεις και ποσοστό δειγμάτων μάθησης στο 1%, οι ακρίβειες μπορεί να φτάσουν πάνω από 89%. Παράλληλα, η συγκριτική ανάλυση των τεχνικών ανέδειξαν τις δυνατότητες των τριών ταξινομητών τόσο σε επίπεδο ακρίβειας όσο και υπολογιστικής πολυπλοκότητας κατά την διαδικασία της εκπαίδευσής τους. Τέλος, τα συμπεράσματα και οι προτάσεις που παρατίθενται μπορούν να αποτελέσουν βοηθητικό υλικό για μελλοντικές ερευνητικές εργασίες.	el
heal.abstract	Τhe research and development of automated machine learning algorithms for image classification and object recognition, has gained significant attention from the scientific community for several decades. During the last five years deep learning based approaches have surpassed the classification accuracy of simpler/shallow architectures. Although deep learning studies on hyperspectral data are much fewer in number, results are also promising. Towards this direction, this diploma thesis dealt with the investigation, study and evaluation of advanced supervised classification algorithms of hyperspectral data. More specifically, three classification techniques were studied and evaluated: (i) a Deep Convolution Neural Network, (ii) a non-linear Support Vector Machine, RBF-kernel type and (iii) a linear Support Vector Machine. Several experiments were conducted for the evaluation of each classifiers based on: (a) freely available online datasets which are the subject of study and comparison to international literature and (b) data and ground truth which were created exclusively for the purposes of this work towards literature enrichment with new more complex geographical areas as well as various (>90) terrain or spectral classes. In all cases the deep convolutional neural networks resulted to significantly lower classification error. These experimental results are consistent with the literature, while results in the new reference data indicated that even with 98 classes and training sample percentage to 1%, precision can reach a 89%. Moreover, the comparative analysis of the techniques highlights the potentialities of the three classifiers in terms of both accuracy but also computational cost during their training phase. Finally, the overall analysis and evaluation can provide valuable material for future research.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.advisorName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Argialas, Demetres	en
heal.committeeMemberName	Doulamis, Anastasios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	163 σ.
heal.fullTextAvailability	true