Ανίχνευση παραλιών σε δορυφορικές εικόνες με χρήση συνελικτικών νευρωνικών δικτύων

Μαθιουλάκη, Ελένη; Mathioulaki, Eleni

dc.contributor.author	Μαθιουλάκη, Ελένη	el
dc.contributor.author	Mathioulaki, Eleni	en
dc.date.accessioned	2021-03-22T07:58:43Z
dc.date.available	2021-03-22T07:58:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53108
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20806
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	Δορυφορικές εικόνες	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Ανίχνευση αντικειμένων	el
dc.subject	Κατάτμηση εικόνας	el
dc.subject	Sentinel-2	en
dc.subject	Google earth engine	en
dc.subject	Openstreetmap	en
dc.subject	Mask R-CNN	en
dc.subject	Rotated mask R-CNN	en
dc.title	Ανίχνευση παραλιών σε δορυφορικές εικόνες με χρήση συνελικτικών νευρωνικών δικτύων	el
dc.title	Beach detection in satellite images with convolutional neural networks	en
dc.contributor.department	Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-11
heal.abstract	Ο εντοπισμός αντικειμένων και η σημασιολογική κατάτμηση εικόνας αποτελούσαν ανέκαθεν δύο από τα δυσκολότερα προβλήματα της όρασης υπολογιστών. Με τη ραγδαία ανάπτυξη του τομέα της Τεχνητής Νοημοσύνης που έχει συντελεστεί τα τελευταία χρόνια, κυρίως λόγω της εμφάνισης των Βαθιών Νευρωνικών Δικτύων, έχουν προταθεί συστήματα που φαίνεται να δίνουν αποτελεσματικές και αποδοτικές λύσεις για προβλήματα αυτής της κατηγορίας με χρήση Συνελικτικών Νευρωνικών Δικτύων. Στόχο της παρούσας εργασίας αποτελεί η υλοποίηση και η εκπαίδευση ενός τέτοιου συστήματος, το οποίο θα αναλύει δορυφορικές εικόνες με σκοπό να εντοπίσει τις περιοχές τους που αντιστοιχούν σε παραλίες. Συγκεκριμένα, το ζητούμενο του μοντέλου είναι ο εντοπισμός των ορίων της κάθε παραλίας σε επίπεδο εικονοστοιχείου, αποτελεί δηλαδή συνδυασμό των προβλημάτων του εντοπισμού αντικειμένων σε μία εικόνα και της εύρεσης των ορίων του με ακρίβεια. Στη συνέχεια, το σύστημα αυτό μπορεί να χρησιμοποιηθεί ως εργαλείο καταγραφής και παρακολούθησης των ελληνικών (και όχι μόνο) παραλιών ώστε να δημιουργηθεί μία πλήρης βάση δεδομένων και να διευκολυνθεί η μελέτη και η προστασία τους από καταστροφικά φυσικά φαινόμενα και υπέρμετρη τουριστική εκμετάλλευση. Για την εκπαίδευση του μοντέλου απαραίτητη ήταν η δημιουργία ενός συνόλου δεδομένων αποτελούμενου από δορυφορικές εικόνες και τις αντίστοιχες ετικέτες. Οι εικόνες που χρησιμοποιούνται προέρχονται από τη δορυφορική αποστολή Sentinel-2 και συγκεντρώθηκαν μέσω του Google Earth Engine, ενώ οι τοποθεσίες των παραλιών αντλήθηκαν από το OpenStreetMap. Συνολικά συγκεντρώθηκαν πάνω από 3000 εικόνες της αποστολής Sentinel-2 που καλύπτουν όλη την ακτογραμμή της Ελλάδας, ενώ οι αντίστοιχες ετικέτες αφορούν πάνω από 5000 παραλίες. Αφού δημιουργήθηκε το σύνολο δεδομένων, χρησιμοποιήθηκε για να εκπαιδεύσει δύο διαφορετικά μοντέλα, το Mask R-CNN, state-of-the-art δίκτυο κατάτμησης στιγμιοτύπων εικόνων, και το Rotated Mask R-CNN, μία τροποποίησή του που λαμβάνει υπόψη το χαρακτηριστικό σχήμα των παραλιών ώστε να βελτιώσει την απόδοση. Πράγματι, το Mask R-CNN πετυχαίνει Μέση Ακρίβεια (mean Average Precision) ίση με 43.5\%, ενώ το Rotated Mask R-CNN 45.0\%, τιμές αρκετά ικανοποιητικές δεδομένης της ποιότητας των εικόνων και της δυσκολίας του προβλήματος.	el
heal.abstract	Object detection and semantic segmentation in images have always been two of the most difficult problems in the field of computer vision. Given the rapid evolution of Artificial Intelligence (AI) in recent years, mostly due to the emergence of Deep Neural Networks, systems that seem to provide effective and efficient solutions for these kind of problems using Convolutional Neural Networks (CNNs) have been proposed. The purpose of the thesis at hand is the implementation and training of such a system, that will analyse satellite imagery data in order to detect the areas that correspond to beaches. More specifically, the objective of this particular model is to identify the boundaries of the objects at the detailed pixel level, thus combining the object detection and the image segmentation problems. Afterwards, this system could be used as a monitoring and registering tool for greek beaches, so as to create a complete database and facilitate their study and protection from destructive physical phenomena and excessive touristic exploitation. For the purpose of training the model, it was necessary to create a dataset consisting of satellite images and the corresponding labels. The imagery used is from the Sentinel-2 satellite mission and was collected using Google Earth Engine, while the locations of the beaches have been extracted from the OpenStreetMap database. In total, the dataset comprises more than 3000 Sentinel-2 images, covering the entirety of the greek coastline, while more than 5000 beaches are labeled. After its creation, the dataset was used to train two different models, the Mask R-CNN, state-of-the-art network for instance segmentation and the Rotated Mask R-CNN, an altered version that takes the distinct shape of the beaches into consideration in order to improve accuracy. Indeed, the Mask R-CNN achieves a mean Average Precision equal to 43.5\%, while the Rotated Mask R-CNN 45.0\%. The obtained results were quite satisfactory, given the image quality, resolution and the problem difficulty.	en
heal.advisorName	Kollias, Stefanos	en
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Kollias, Stefanos	en
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	102 σ.	el
heal.fullTextAvailability	false