Αυτόματος εντοπισμός κτηρίων απο RGB δορυφορικές εικόνες μέσω αλγορίθμου βαθιάς μάθησης

Τέμενος, Αναστάσιος; Temenos, Anastasios

dc.contributor.author	Τέμενος, Αναστάσιος	el
dc.contributor.author	Temenos, Anastasios	en
dc.date.accessioned	2021-11-26T09:07:45Z
dc.date.available	2021-11-26T09:07:45Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54104
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21802
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Αυτόματος εντοπισμός κτηρίων	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Ψηφιακή τηλεπισκόπηση	el
dc.subject	U-Net	en
dc.subject	Σημασιολογική κατάτμηση	el
dc.subject	Automatic Building Extraction	en
dc.subject	Remote Sensing	en
dc.subject	SpaceNet 1	en
dc.subject	Deep Learning	en
dc.subject	CNN	en
dc.subject	FCN	en
dc.subject	U-Net	en
dc.subject	Semantic Segmentation.	en
dc.title	Αυτόματος εντοπισμός κτηρίων απο RGB δορυφορικές εικόνες μέσω αλγορίθμου βαθιάς μάθησης	el
dc.title	Automatic building extraction from RGB satellite images using deep learning	en
dc.contributor.department	Photogrammetry	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	2021-07-20
heal.abstract	Ο αυτόματος εντοπισμός κτηρίων από δορυφορικές εικόνες RGB αποτελεί μια διαδικασία παραγωγής χαρτών δόμησης, χρήσιμη για τους μηχανικούς και ερευνητές που ασχολούνται με έργα άμεσα συσχετιζόμενα με το ανθρωπογενές περιβάλλον. Ωστόσο, αποτελεί μια πολύ δύσκολη διαδικασία, ειδικότερα όσο αυξάνεται η πολυπλοκότητα της δόμησης μιας πόλης ή όταν τα φυσικά αντικείμενα και οι ανθρωπογενείς κατασκευές εμφανίζονται σε πολλά σημεία της περιοχής ενδιαφέροντος. Αισθητήρες που συλλέγουν χρήσιμη πληροφορία για τον αυτόματο εντοπισμό των κτηρίων, έχουν πολύ υψηλό κόστος και απαιτούν μεγάλη προεπεξεργασία, για την ορθή αυτοματοποίηση της διαδικασίας εξαγωγής. Στην ακόλουθη διπλωματική εργασία, εμπνευσμένοι από τα κατορθώματα της τεχνητής νοημοσύνης σε απαιτητικά προβλήματα όρασης υπολογιστών, ταξινόμησης εικόνων και πολλά άλλα, προτείνεται η αντιμετώπιση του εν λόγω προβλήματος εντοπισμού κτιρίων, μέσω της αρχιτεκτονικής του πλήρως συνελικτικού νευρωνικού δικτύου U-Net. Ένα τέτοιο δίκτυο, μιμούμενο τον τρόπο εκπαίδευσης του ανθρώπινου εγκεφάλου, έχει την ιδιότητα μέσα από συνεχή επεξεργασία δεδομένων, στα οποία παρουσιάζονται οι σωστές θέσεις των κτηρίων, να μπορεί να εντοπίζει και να χαρτογραφεί κτήρια σε νέες RGB εικόνες. Η ιδιαιτερότητα της αρχιτεκτονικής U-Net ευνοεί την προσκείμενη εφαρμογή, καθώς σε πρώτο στάδιο το δίκτυο «αναγνωρίζει» τι είναι ένα κτήριο, ενώ σε δεύτερο στάδιο, «μαθαίνει» να το χαρτογραφεί, δηλαδή εκτελεί σημασιολογική κατάτμηση σε μια εικόνα. Με σκοπό την αξιολόγηση του δικτύου, χρησιμοποιήθηκε το αποθετήριο δεδομένων SpaceNet 1, το οποίο διαθέτει 7000 εικόνες προς εκπαίδευση. Τα πειραματικά αποτελέσματα του δικτύου σε εικόνες του SpaceNet 1, δείχνουν πως τόσο οπτικά, όσο και στατιστικά, το μοντέλο ανεξαρτήτου πυκνότητας δόμησης έχει την ικανότητα να εντοπίζει τα κτήρια πετυχαίνοντας ακρίβεια 92.1% στο σετ ελέγχου. Τέλος συγκρίσεις με άλλες τεχνικές πάνω στο SpaceNet 1 δείχνουν την αποτελεσματικότητα του U-Net.	el
heal.advisorName	Δουλαμής, Αναστάσιος
heal.committeeMemberName	Δουλαμής, Αναστάσιος
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος
heal.committeeMemberName	Καράτζαλος, Κωνσταντίνος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	71
heal.fullTextAvailability	false