Ανίχνευση κρατήρων στην επιφάνεια του πλανήτη Ερμή με τεχνικές Deep Learning

Κυριακού, Πέτρος; Kyriakou, Petros

dc.contributor.author	Κυριακού, Πέτρος	el
dc.contributor.author	Kyriakou, Petros	en
dc.date.accessioned	2022-09-22T08:09:30Z
dc.date.available	2022-09-22T08:09:30Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55714
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23412
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	Deep-learning	en
dc.subject	Mercury	en
dc.subject	Craters	en
dc.subject	Object-detection	en
dc.subject	Planetary-science	en
dc.title	Ανίχνευση κρατήρων στην επιφάνεια του πλανήτη Ερμή με τεχνικές Deep Learning	el
dc.contributor.department	Γεωπληροφορική	el
heal.type	masterThesis
heal.secondaryTitle	MERCURY IMPACT CRATER DETECTION WITH DEEP AND TRANSFER LEARNING TECHNIQUES (en)	el
heal.classification	Deep Learning	en
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-02-18
heal.abstract	Η ανίχνευση κρατήρων αποτελούσε πάντα πρόκληση για τους επιστήμονες καθότι η κατανομή τους, ο αριθμός και το μέγεθος τους αποτελούν παράμετροι που μπορούν βοηθήσουν και δώσουν πληροφορίες για τα πλανητικά σώματα. Έχουν περάσει 45 χρόνια από την πρώτη αποστολή στον πλανήτη Ερμή (Mariner 10) και 10 χρόνια από την τελευταία (MESSENGER). Η τελευταία δε, μας παρείχε εικόνες από την επιφάνεια του Ερμή, συμπεριλαμβανομένων και των αναρίθμητων κρατήρων που βρίσκονται στην επιφάνεια του «σιδερένιου» αυτού πλανήτη. Παρόλαυτα, κάθε προσπάθεια για καταγραφή αυτών των κρατήρων περιοριζόταν στα μεγέθη μέχρι 5 χιλιόμετρα, και αυτό γιατί το η σχέση αριθμός - μέγεθος των κρατήρων ακολουθεί εκθετική συνάρτηση, καθιστώντας την αυτόματη ανίχνευση των κρατήρων πρόκληση και στοίχημα για την ανακάλυψη των κρατήρων στον πλανήτη Ερμή. Σε αυτή τη διπλωματική προσαρμόζουμε έναν αλγόριθμο ανίχνευσης κρατήρων στο μωσαικό MDIS του πλανήτη Ερμή με ανάλυση 166 μ/πιξελ. Το μοντέλο μας εκπαιδεύτηκε σε ένα σετ 19,455 κρατήρων, με την μετρικές ανίχνευσης κοντά σχεδόν στην ανθρώπινη επίδοση. Αποτέλεσμα αυτού ήταν η συμπλήρωση ενός καταλόγου περίπου 300.000 κρατήρων και με την επίδοση να είναι σταθερή μέχρι και το μέγεθος ακτίνας των 3 χιλιομέτρων. Η επίδοση του μοντέλου, αποτελέσματα, ο τρόπος παραγωγής του σετ εκπαίδευσης αλλά και οι προοπτικές από τα επερχόμενα δεδομένα των αποστολών που είναι σε εξέλιξη (BepiColombo) θα παρουσιαστούν παρακάτω.	el
heal.sponsor	This work was supported by the resources provided by the Pawsey Supercomputing Centre with funding from Australian Government, Curtin University, and the Government of Western Australia. G. K. B. acknowledges the Australian Research Council (DP170102972) for funding of this project.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίντος	el
heal.committeeMemberName	Κολοκουσης, Πολυχρόνης (Πολ)	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
heal.academicPublisherID	ntua
heal.numberOfPages	49 σ.	el
heal.fullTextAvailability	false