Ανάλυση υπερφασματικών δεδομένων με τεχνικές βαθιάς μάθησης

Κουμούτσου, Δήμητρα Χάρις; Koumoutsou, Dimitra Charis

dc.contributor.author	Κουμούτσου, Δήμητρα Χάρις	el
dc.contributor.author	Koumoutsou, Dimitra Charis	en
dc.date.accessioned	2021-04-02T06:55:09Z
dc.date.available	2021-04-02T06:55:09Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53259
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20957
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	Υπερφασματικά δεδομένα	el
dc.subject	Ταξινόμηση	el
dc.subject	Επαύξηση δεδομένων	el
dc.subject	Εξαγωγή χαρακτηριστικών	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Hyperspectral data	en
dc.subject	Classification	en
dc.subject	Data augmentation	en
dc.subject	Feature extraction	en
dc.subject	Convolutional neural network	en
dc.title	Ανάλυση υπερφασματικών δεδομένων με τεχνικές βαθιάς μάθησης	el
dc.title	Hyperspectral data analysis using deep learning techniques	en
dc.contributor.department	Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-12
heal.abstract	Η ταξινόμηση Υπερφασματικών Εικόνων έχει εμφανιστεί σε ποικίλους τομείς τα τελευταία χρόνια, συμπεριλαμβανομένης της τηλεπισκόπισης. Παράλληλα, οι εξελίξεις στη Βαθιά Μάθηση και η επικράτηση του Συνελικτικού Νευρωνικού ∆ικτύου (ΣΝ∆) έχουν αλλάξει τα δεδομένα στην επεξεργασία των μη-δομημένων δεδομένων, ειδικά των οπτικών. Η εισαγωγή της έννοιας του Παραγωγικού Ανταγωνιστικού ∆ικτύου (ΠΑ∆) ήταν μια ακόμη πρωτοπορία, που επαναπροσδιόρισε την επαύξηση και τη σύνθεση δεδομένων. Παρατηρώντας ότι οι μέθοδοι εξαγωγής πληροφορίας από υπερφασματικές εικόνες επιβαρύνονται από ζητήματα που αφορούν αυτά τα δεδομένα, εντοπίζουμε και αντιμετωπίζουμε τρία μείζονα προβλήματα. Το πρώτο είναι η Κατάρα των Πολλών ∆ιαστάσεων, που οφείλεται στο μεγάλο όγκο του υπερφασματικού κύβου. Το επόμενο είναι η περιορισμένη διαθεσιμότητα δεδομένων, και το τελευταίο είναι το πρόβλημα της ανισορροπίας των κλάσεων, που είναι σύνηθες σε σύνολα υπερφασματικών δεδομένων. Προτείνουμε μία πλήρη μεθοδολογία για την ταξινόμηση υπερφασματικών εικόνων που αποτελείται από ένα βελτιωμένο ΣΝ∆ για χωρική και φασματική ταξινόμηση, έναν αλγόριθμο εξαγωγής χαρακτηριστικών για μείωση των διαστάσεων και ένα ΠΑ∆ για επαύξηση δεδομένων. Τρία σύνολα δεδομένων αναφοράς έχουν χρησιμοποιηθεί για να συγκριθεί η προτεινόμενη μεθοδολογία με άλλες βαθιές αρχιτεκτονικές ή μεθόδους. Αναλυτικές αξιολογήσεις αποδεικνύουν ότι επιτεύχθηκαν σημαντικές βελτιώσεις στην ακρίβεια ταξινόμησης. Το ΣΝ∆ φτάνει τις σύγχρονες επιδόσεις ενώ ταυτόχρονα αποφεύγονται συνήθεις πρακτικές που κοστίζουν υπολογιστικά. Η προεπεξεργασία των δεδομένων συμπληρώνει το μοντέλο της ταξινόμησης, λύνοντας ικανά τα τρία προβλήματα που απαντώνται συχνά.	el
heal.abstract	The task of Hyperspectral Image (HSI) classification has appeared in various fields in recent years, including Remote Sensing. Meanwhile, the evolution of Deep Learning, and the prevalence of the Convolutional Neural Network (CNN) has revolutionized the way unstructured data are processed, especially visual ones. The introduction of the Generative Adversarial Network (GAN) was also a groundbreaker that virtually re-invented data augmentation and data synthesis. Realizing that information extraction tasks for hyperspectral images are burdened by data-specific issues, we identify and address three major problems. The first is the Curse of Dimensionality, which occurs due to the high-volume of the data cube. The next one is the limited data availability problem and finally the class imbalance problem which is common in hyperspectral datasets. We propose a full framework for HSI classification, comprised by an improved CNN model for spectral-spatial classification, a feature extraction algorithm for dimensionality reduction and a GAN for data augmentation. Three benchmark datasets (Indian Pines, Pavia University, Data Fusion 2013 Contest) are used to compare our framework to other hand-crafted or deep learning architectures. In-depth evaluations demonstrate that significant improvements are achieved in terms of classification accuracy. The CNN model avoids some commonly used computationally expensive design choices. The preprocessing steps complement the classification process and competently solve the three commonly encountered problems.	en
heal.advisorName	Στάμου, Γιώργος	el
heal.advisorName	Stamou, Giorgos	en
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Χάρου, Ελένη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	134 p.	en
heal.fullTextAvailability	false