Σχεδιασμός, Ανάπτυξη και Αξιολόγηση Τεχνικών Βαθιάς Μηχανικής Μάθησης για Ταξινόμηση Τηλεπισκοπικών Δεδομένων Υψηλής Χωρικής Ανάλυσης. Υλοποίηση και Σύνδεση με το Orfeo Toolbox

Παπαδομανωλάκη, Μαρία; Papadomanolaki, Maria

dc.contributor.author	Παπαδομανωλάκη, Μαρία	el
dc.contributor.author	Papadomanolaki, Maria	en
dc.date.accessioned	2016-10-26T09:34:16Z
dc.date.available	2016-10-26T09:34:16Z
dc.date.issued	2016-10-26
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/43916
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.13449
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Deep learning	en
dc.subject	Machine learning	en
dc.subject	Image classification	en
dc.subject	Open source	en
dc.subject	Remote sensing	en
dc.subject	Βαθιά μηχανική εκμάθηση	el
dc.title	Σχεδιασμός, Ανάπτυξη και Αξιολόγηση Τεχνικών Βαθιάς Μηχανικής Μάθησης για Ταξινόμηση Τηλεπισκοπικών Δεδομένων Υψηλής Χωρικής Ανάλυσης. Υλοποίηση και Σύνδεση με το Orfeo Toolbox	el
dc.title	Design, Development and Evaluation of Deep Learning-based Classification Frameworks for High Resolution Remote Sensing Data. Implementation and Integration into Orfeo Toolbox	en
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Machine learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-08
heal.abstract	Μέθοδοι ταξινόμησης deep learning για ταξινόμηση δορυφορικών εικόνων πολύ υψηλής χωρικής ανάλυσης με χρήση ελεύθερων λογισμικών. Η εργασία αυτή επικεντρώνεται στην ανάλυση, μελέτη και αξιολόγηση μοντέλων ταξινόμησης Βαθιάς Μηχανικής Εκμάθησης (Deep Learning) και στην ενσωμάτωσή τους στο πρόγραμμα ελεύθερου λογισμικού Orfeo Toolbox, το οποίο αποτελεί μια ελεύθερη βιβλιοθήκη υλοποίησης τηλεπισκοπικών εφαρμογών σε C++. Οι μέθοδοι ταξινόμησης Deep Learning εφαρμόζονται με τη χρήση νευρωνικών δικτύων και θεωρούνται ως η πιο αποτελεσματική προσέγγιση για την ταξινόμηση δορυφορικών εικόνων σε επίπεδο ακριβειών. Αρχικά αναλύονται εκτενώς τα δύο κύρια είδη νευρωνικών δικτύων: τα πλήρως συνδεδεμένα και τα συνελικτικά. Τα τελευταία χρησιμοποιούνται για την ταξινόμηση διαφόρων ομάδων δεδομένων με σκοπό τη διερεύνηση της αποτελεσματικότητάς τους. Όλες οι ταξινομήσεις γίνονται με τη βοήθεια της Lua, η οποία αποτελεί γλώσσα προγραμματισμού ελεύθερου λογισμικού. Επίσης, δημιουργούνται τρεις εφαρμογές που αφορούν την ταξινόμηση Deep Learning, συνδέοντας τη Lua στο Orfeo Toolbox. Η σύνδεση της γλώσσας C++, στην οποία στηρίζεται το Orfeo Toolbox, και της Lua γίνεται μέσω του Lua C API (Application Program Interface) και αναλύεται με λεπτομέρεια σε θεωρητικό επίπεδο. Με την υλοποίηση των παραπάνω εφαρμογών, αναδεικνύονται οι δυνατότητες των μοντέλων ταξινόμησης Deep Learning. Επίσης, η βιβλιοθήκη του Orfeo Toolbox εμπλουτίζεται με νέους τρόπους ταξινόμησης δίνοντας στην κοινότητα και στους χρήστες τη δυνατότητα να στηριχτούν σε αυτούς και να τους εξελίξουν ακόμα περισσότερο. Τέλος, οι ταξινομήσεις που υλοποιήθηκαν με βάση αρχιτεκτονικές βαθιάς μηχανικής μάθησης ξεπέρασαν ποσοτικά σε απόδοση αντίστοιχες προσεγγίσεις της διεθνούς βιβλιογραφίας. Συγκεκριμένα, η συνολική ακρίβεια της ομάδας δεδομένων DeepSat [Basu et al., 2015] έφτασε το 98.8%, ενώ στην ομάδα δεδομένων 'Zurich Summer Dataset v1.0' [Volpi et al., 2015] η συνολική ακρίβεια έφτασε το 95.1%.	el
heal.abstract	This Diploma focuses on the analysis, investigation and evaluation of Deep Learning models for the classification of high resolution remote sensing data. Moreover, a main goal was to integrate certain Deep Learning tools into free software Orfeo Toolbox, which is a library for remote sensing applications in C++. Deep Learning classification methods are performed using neural networks and are considered as the most effective and accurate approach for the classification of satellite images. First, two main types of neural networks are examined: Fully-Connected and Convolutional. The latter have been recently used for the classification of various datasets. All classification frameworks were developed in Lua, which is a free software programming language. Moreover, three new Deep Learning-related applications are provided by binding Lua to Orfeo Toolbox. The integration of C++, to which Orfeo Toolbox is based on, and Lua is applied through Lua C API (Application Program Interface). The theoretical background of this language binding is analyzed in detail. The implementation of the above applications highlights the potentials of Deep Learning models. In addition, Orfeo Toolbox library is enriched with new classification methods, offering the community the ability to use them and further develop them. Lastly, Deep Learning architectures that were used for classification outperformed similar approaches included in state of the art papers. More specifically, the overal accuracy of DeepSat Dataset [Basu et al., 2015] reached the level of 98.8%. In addition, the overall accuracy of 'Zurich Summer Dataset v1.0' [Volpi et al., 2015] reached the level of 95.1%.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	128 σ.
heal.fullTextAvailability	true