Συγκριτική αξιολόγηση μεθόδων μηχανικής μάθησης για την κατηγοριοποίηση υπερφασματικών εικόνων

Φωκέας, Κωνσταντίνος; Fokeas, Konstantinos

dc.contributor.author	Φωκέας, Κωνσταντίνος	el
dc.contributor.author	Fokeas, Konstantinos	en
dc.date.accessioned	2017-10-25T08:00:25Z
dc.date.issued	2017-10-25
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/45817
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14691
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	Υπερφασματικές εικόνες	el
dc.subject	Ταξινόμηση	el
dc.subject	Machine Learning	en
dc.subject	Hyperspectral Images	en
dc.subject	Classification	en
dc.title	Συγκριτική αξιολόγηση μεθόδων μηχανικής μάθησης για την κατηγοριοποίηση υπερφασματικών εικόνων	el
dc.title	Βenchmarking machine learning methods for the classification of hyperspectral images	en
dc.contributor.department	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.type	bachelorThesis
heal.classification	ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ	el
heal.classification	ΤΗΛΕΠΙΣΚΟΠΗΣΗ	el
heal.classificationURI	http://data.seab.gr/concepts/0470dde7ed974578bbc4961549816f7b254efcb2
heal.classificationURI	http://data.seab.gr/concepts/29f3834f510e2fcbee2fcce329a355775dd48e27
heal.dateAvailable	2018-10-24T21:00:00Z
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2017-07-14
heal.abstract	Η αυτόματη ταξινόμηση της κάλυψης του εδάφους από δορυφορικές εικόνες είναι ένα σημαντικό θέμα σε πολλές εφαρμογές τηλεπισκόπησης. Τα τελευταία χρόνια, προσεγγίσεις που βασίζονται σε αρχιτεκτονικές βαθιάς εκμάθησης έχουν ξεπεράσει τις ακρίβειες ανίχνευσης και ταξινόμησης με ρηχές αρχιτεκτονικές. Σε αυτή την εργασία, εξετάζονται έξι (6) διαφορετικές προσεγγίσεις για την αντιμετώπιση του προβλήματος. Ειδικότερα τα μοντέλα τα οποία εφαρμόστηκαν είναι τα εξής: Μοντέλο Συνελικτικού Νευρωνικού Δικτύου (CNN) Μοντέλο Πολυεπίπεδου Αντίληπτρου (MLP) Μοντέλο Αντίληπτρου ενός Επιπέδου (OLP) Μη Γραμμική Μηχανή Διανυσματικής Υποστήριξης (SVM-RBF) Γραμμική Μηχανή Διανυσματικής Υποστήριξης (SVM-Linear) Αλγόριθμος Εγγύτερου Γείτονα (k-NN) Τα πειράματα αξιολόγησης των ταξινομητών εφαρμόστηκαν στην υπερφασματική εικόνα Indian Pines (corrected), η οποία αποτελείται από δεκαέξι (16) θεματικές τάξεις και διακόσια (200) φασματικά κανάλια. Η εικόνα αυτή είναι ελεύθερα διαθέσιμη στο διαδίκτυο και χρησιμοποιείται διεθνώς για την αξιολόγηση ταξινομητών. Πιο συγκεκριμένα η αξιολόγηση της επίδοσης των μοντέλων έγινε μέσω των δεικτών accuracy, precision, recall, F1_score, και απεικόνισης αυτών μέσω κατάλληλων διαγραμμάτων. Επίσης, δημιουργήθηκαν, ενδεικτικά, χάρτες ταξινόμησης για την ποιοτική ανάλυση των ταξινομητών. Η υλοποίηση των αλγορίθμων έγινε στο περιβάλλον της γλώσσας προγραμματισμού Python 3 και των κατάλληλων βιβλιοθήκών – επεκτάσεων. Οι καλύτερες επίδοσεις, για αριθμό κύριων συνιστωσών (Κ.Σ) 50, δόθηκαν από το ΣΝΔ με 97% accuracy, 97% precision, 97% recall και 97% f1 score. Για αριθμό Κ.Σ 30, οι καλύτερες επίδοσεις δώθηκαν από τον αλγόριθμο εγγύτερου γείτονα με 98% accuracy, 98% precision, 98% recall και 98% f1 score. Η συγκριτική ανάλυση των τεχνικών ανέδειξαν τις δυνατότητες των ταξινομητών, ενώ οι προτάσεις που παρατίθενται μπορούν να αποτελέσουν υλικό για περαιτέρω πειραματισμό και έρευνα.	el
heal.advisorName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	116 σ.	el
heal.fullTextAvailability	true