Ανίχνευση μεταβολών σε δορυφορικές εικόνες με την Χρήση μεθόδων βαθιάς μηχανικής μάθησης

Κάρκαλου, Έλλη; Karkalou, Elli

dc.contributor.author	Κάρκαλου, Έλλη	el
dc.contributor.author	Karkalou, Elli	en
dc.date.accessioned	2022-09-27T05:46:53Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55760
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23458
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Default License
dc.subject	Ανίχνευση μεταβολών	el
dc.subject	Τηλεπισκόπηση	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Δορυφορικές εικόνες	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Deep learning	en
dc.subject	Neural networks	en
dc.subject	Change detection	en
dc.subject	Remote sensing	en
dc.subject	Artificial Intelligence	en
dc.title	Ανίχνευση μεταβολών σε δορυφορικές εικόνες με την Χρήση μεθόδων βαθιάς μηχανικής μάθησης	el
dc.title	Change Detection In Satellite Images with the use of Deep Learning Methods	en
heal.type	masterThesis
heal.classification	Ψηφιακή Τηλεπισκόπηση	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Remote sensing	en
heal.classification	Machine learning	en
heal.dateAvailable	2023-09-26T21:00:00Z
heal.language	el
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-31
heal.abstract	Σε αυτή την μεταπτυχιακή διπλωματική εργασία αναπτύχθηκαν, εφαρμόστηκαν και αξιολογήθηκαν αρχιτεκτονικές βαθιών νευρωνικών δικτύων για την ανίχνευση μεταβολών σε δορυφορικές εικόνες. Η πρώτη εφαρμογή που αναπτύχθηκε διερευνά και αξιολογεί την απόδοση των μπλοκ LSTM σε μια αρχιτεκτονική με πλήρη συνελικτικά επίπεδα της μορφής U-Net που προτάθηκε από τους Papadomanolaki et al (2019). Ειδικότερα, συγκρίθηκε η πλήρης εκδοχή του δικτύου με κάθε πιθανή περίπτωση στην οποία λείπει από ένα μπλοκ LSTM έως και τα 4 από τα 5. Η δεύτερη εφαρμογή αφορά την χρήση μιας αρχιτεκτονικής με διεσταλμένα (dilated) φίλτρα (Dilated+LSTM) που προτάθηκε από τους Vakalopoulou et al. (2019) για το αντικείμενο της αντιστοίχισης εικόνων. Στην παρούσα εργασία χρησιμοποιήθηκε για το αντικείμενο της ανίχνευσης μεταβολών και διενεργήθηκε σύγκριση της απόδοσής της, σε σχέση με το δίκτυο L-UNet των Papadomanolaki et al (2019). Οι δύο πρώτες εφαρμογές έκαναν χρήση του σετ εικόνων OSCD (Onera Satellite Change Detection) των Daudt et al. (2018). Το εν λόγω σετ εικόνων διαθέτει 24 ζεύγη γεωμετρικά διορθωμένων εικόνων, από τις οποίες χρησιμοποιούνται 14 ζεύγη για εκπαίδευση και επικύρωση και 10 ζεύγη για αξιολόγηση. Η τρίτη υλοποίηση αφορά την εφαρμογή των δικτύων L-UNet και Dilated+LSTM για πρώτη φορά στο απαιτητικό σετ εικόνων LEVIR-CD (Chen & Shi, 2020). Συνολικά χρησιμοποιήθηκαν 115 ζεύγη γεωμετρικά διορθωμένων εικόνων για εκπαίδευση και επικύρωση και 128 ζεύγη εικόνων για αξιολόγηση. Για την συγκριτική αξιολόγηση των μοντέλων χρησιμοποιήθηκαν οι διαθέσιμοι αληθείς χάρτες μεταβολών. Πιο συγκεκριμένα, υπολογίστηκαν πίνακες σύγχυσης και παράχθηκαν εικόνες διαφορών από την σύγκριση των παραγόμενων χαρτών μεταβολών με τους αληθείς. Η εργασία ολοκληρώνεται με τα τελικά συμπεράσματα και ορισμένες προτάσεις για πιθανά θέματα μελλοντικής έρευνας. Για την υλοποίηση των παραπάνω διαδικασιών συντάχθηκε κώδικας στην γλώσσα προγραμματισμού Python με την βοήθεια της βιβλιοθήκης PyTorch.	el
heal.abstract	In this Master Thesis, architectures of deep neural networks for change detection in satellite images have been implemented and evaluated. The scope of the first approach is the investigation and evaluation of the performance of LSTM blocks used in a U-Net architecture with fully convolutional levels, proposed by Papadomanolaki et al. (2019). More specifically, the complete version of the model was compared against every version with fewer LSTM blocks, varying from one up to four LSTM blocks. The second task is about the use of a dilated architecture named Dilated+LSTM, which was first proposed by Vakalopoulou et al. (2019) for the image registration task. In the present work it was used for the purpose of change detection and the model’s performance was compared against the L-UNet model of Papadomanolaki et al. (2019). These first two tasks made use of the OSCD (Onera Satellite Change Detection) dataset (Daudt et al., 2018). This dataset provides 24 pairs of co-registered images, 14 of which are used for training and validation and 10 of which are used for testing. As a third task, the two aforementioned models (L-UNet and Dilated+LSTM) were applied for the first time to the demanding dataset LEVIR-CD (Chen & Shi, 2020). In total 115 pairs of co-registered images were used for training and validation, whereas 128 image pairs were used for testing. Quantitative and qualitative comparison between the different models were conducted based on the ground truth change maps provided by the two datasets. In particular, confusion matrices were computed and difference images were produced by comparing the obtained change maps with the ground truth ones. Our main conclusions regarding the overall assessment and performance of the validated frameworks are presented as well as certain suggestions for further possible extensions of this work. The techniques and aforementioned frameworks were implemented in Python exploiting the PyTorch library.	en
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Βακαλοπούλου, Μαρία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	73 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false