Σημασιολογική κατάτμηση μέσω συνελικτικών νευρωνικών δικτύων σε πολύ υψηλής ανάλυσης εναέρια τηλεπισκοπικά δεδομένα

Κωσταρέλου, Αικατερίνη; Kostarelou, Aikaterini

dc.contributor.author	Κωσταρέλου, Αικατερίνη	el
dc.contributor.author	Kostarelou, Aikaterini	en
dc.date.accessioned	2020-11-20T08:26:18Z
dc.date.available	2020-11-20T08:26:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51957
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19655
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	Όραση υπολογιστή	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Σημασιολογική κατάτμηση	el
dc.subject	Ψηφιακή τηλεπισκόπηση	el
dc.subject	Computer vision	en
dc.subject	Convolutional neural networks	en
dc.subject	Semantic segmentation,	en
dc.subject	Remote sensing	en
dc.subject	U-Net	en
dc.title	Σημασιολογική κατάτμηση μέσω συνελικτικών νευρωνικών δικτύων σε πολύ υψηλής ανάλυσης εναέρια τηλεπισκοπικά δεδομένα	el
dc.title	Semantic segmentation via convolutional neural networks of very high resolution aerial datasets	en
dc.contributor.department	Τομέας Τοπογραφίας, Εργαστήριο Τηλεπισκόπησης	el
heal.type	bachelorThesis
heal.classification	Βαθιά Μάθηση	el
heal.classification	Deep Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-14
heal.abstract	Η ανάπτυξη τεχνικών βαθιάς μάθησης τα τελευταία χρόνια, μαζί με την πρόσφατη σύνταξη μεγάλων συνόλων δεδομένων εκπαίδευσης και ελέγχου, επέτρεψε την αποτελεσματική αντιμετώπιση πολλών προβλημάτων ταξινόμησης με σχετικά πολύ υψηλές ακρίβειες εντοπισμού. Συγκεκριμένα, στο πεδίο της Γεωπληροφορικής και Παρατήρησης Γης, όπου καθημερινά κάνουν την εμφάνισή τους νέα δεδομένα, εναέρια και δορυφορικά, πολύ υψηλής ανάλυσης, κρίνεται αναγκαία μια αυτοματοποιημένη ανάλυση και αξιοποίηση των δεδομένων. Η σημασιολογική κατάτμηση είναι μία από τις βασικές τεχνολογίες για την ανάλυση, ερμηνεία και αξιοποίηση τηλεπισκοπικών δεδομένων. Σε αυτήν τη διπλωματική εργασία παρουσιάζονται δύο μοντέλα με εξαιρετικές αποδόσεις πάνω στη σημασιολογική κατάτμηση, καθώς και μία δική μας πρόταση που προκύπτει από το συνδυασμό τους. Η διαδικασία σχεδίασης του συνελικτικού νευρωνικού μας δικτύου, βασίζεται στο δημοφιλές μοντέλο U-Net και στο μοντέλο που προτάθηκε από τους Marmanis et al., για την σημασιολογική κατάτμηση του συνόλου δεδομένων του διαγωνισμού 2-διάστατης Σημασιολογικής Ταξινόμησης της Διεθνούς Κοινότητας Φωτογραμμετρίας και Ψηφιακής Τηλεπισκόπησης.Η εκπαίδευση και αξιολόγηση του μοντέλου μας έγινε σε σύνολο δεδομένων της βιβλιογραφίας και συγκεκριμένα του επιστημονικού οργανισμού ISPRS. Για τη σύγκριση της απόδοσής του σχετικά με τα πρώτα δύο μοντέλα, υλοποιήσαμε και τα τρία με τις ίδιες παραμέτρους, για το ίδιο σύνολο εκπαίδευσης και το ίδιο σύνολο ελέγχου. Η εκπαίδευση του νευρωνικού δικτύου έλαβε χώρα σε ένα απομακρυσμένο διαδικτυακό περιβάλλον μεγάλης υπολογιστικής ισχύος, ενώ ο απαραίτητος κώδικας γράφτηκε στη γλώσσα προγραμματισμού Python. Τέλος, για την αξιολόγηση των μοντέλων χρησιμοποιήθηκαν κάποιες μετρικές, οι οποίες ανέδειξαν την πρόταση μας ως τη βέλτιστη, για το συγκεκριμένο πρόβλημα ταξινόμησης, με ολική ορθότητα 91% και συντελεστή Kappa 0.87.	el
heal.abstract	The development of deep learning techniques in recent years, combined with the recent compilation of large sets of training and testing data, has made it possible to deal effectively with many classification problems with relatively high detection accuracy. Specifically, in the field of Geoinformatics and Earth Observation, where new data, aerial and satellite, of very high resolution, appear every day, an automated analysis and exploitation of data is considered necessary. Semantic segmentation is one of the key technologies for analyzing, interpreting and utilizing remote sensing data. In this diploma thesis we present two models with excellent performances on the semantic segmentation task, as well as a proposed model of ours that results from their combination. The design process of our convolutional neural network is based on the popular U-Net model and the model proposed by Marmanis et al., for the semantic segmentation of the dataset of the 2D Semantic Labeling Contest of the ISPRS (International Society for Photogrammetry and Remote Sensing). The training and evaluation of our model was done in a set of data of the mentioned literature and specifically, of the scientific organization ISPRS. To compare its performance with the first two models, we implemented all three with the same parameters, for the same training set and the same test set. The neural network training took place in a remote internet environment of great computing power, while the necessary code was written in the Python programming language. Finally, for the evaluation of the models certain metrics were used, which highlighted our proposal as the optimal, for the specific classification problem, with a total accuracy of 91% and a Kappa coefficient of 0.87.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.advisorName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Παπαδοπούλου, Μαρία	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false