Υπερανάλυση και Σημασιολογική Κατάτμηση Δορυφορικών Εικόνων για τον Εντοπισμό Δασών

Λυμπερόπουλος, Ελευθέριος; Lymperopoulos, Eleftherios

dc.contributor.author	Λυμπερόπουλος, Ελευθέριος	el
dc.contributor.author	Lymperopoulos, Eleftherios	en
dc.date.accessioned	2022-12-16T10:15:43Z
dc.date.available	2022-12-16T10:15:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56474
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24172
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.subject	∆ορυφορική Τηλεπισκόπηση	el
dc.subject	Εντοπισμός ∆ασών	el
dc.subject	Sentinel-2, OpenStreetMap,	el
dc.subject	Βαθιά Μηχανική Μάθηση	el
dc.subject	Συνελικτικά Νευρωνικά ∆ίκτυα	el
dc.subject	∆ίκτυα κωδικοποιητή-αποκωδικοποιητή	el
dc.subject	Υπερανάλυση Εικόνας	el
dc.subject	Σημασιολογική Κατάτμηση	el
dc.subject	Μετασχηματιστές	el
dc.subject	Αναγεννητικά Ανταγωνιστικά ∆ίκτυα	el
dc.subject	Semantic Segmentation	en
dc.subject	Convolutional Neural Networks	en
dc.subject	Deep Learning	en
dc.subject	Sentinel-2	en
dc.subject	Forest Detection	en
dc.subject	Remote Sensing	en
dc.subject	Image Super Resolution	en
dc.subject	OpenstreetMap	en
dc.title	Υπερανάλυση και Σημασιολογική Κατάτμηση Δορυφορικών Εικόνων για τον Εντοπισμό Δασών	el
heal.type	bachelorThesis
heal.classification	Βαθιά Μηχανική Μάθηση	el
heal.classification	Deep Learning	en
heal.classification	Δορυφορικές Εικόνες	el
heal.classification	Satellite Images	en
heal.classification	Σημασιολογική Κατάτμηση	el
heal.classification	Semantic Segmentation	en
heal.classification	Υπερανάλυση Εικόνας	el
heal.classification	Image Super-Resolution	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-09-27
heal.abstract	Με τις ολοένα και αυξανόμενες δορυφορικές αποστολές, η γεωπαρατήρηση και η τηλεπισκόπηση εμφανίζουν ταχεία πρόοδο τα τελευταία χρόνια και χρησιμοποιούνται σε εφαρμογές όπως η παρακολούθηση του οικοσυστήματος και η πρόληψη φυσικών καταστροφών. Παράλληλα, με την άνοδο της μηχανικής μάθησης στην υπολογιστική όραση και την ανάγκη για αποδοτικότερη παρατήρηση, αναπτύσσονται συνεχώς νέα εργαλεία, βασισμένα στα Συνελικτικά Νευρωνικά Δίκτυα, τα οποία χρησιμοποιούν εικόνες τηλεπισκόπησης με σκοπό τη χαρτογράφηση και τον εντοπισμό αλλαγών στην επιφάνεια της Γης σε επίπεδο εικονοστοιχείου. Μια τέτοια ειδικότερη εφαρμογή είναι η παρακολούθηση των δασικών εκτάσεων, η οποία, λαμβάνοντας υπόψη την απειλή της αποψίλωσης των δασών, κρίνεται στις μέρες μας ιδιαιτέρως αναγκαία. Ωστόσο, οι ανοιχτά διαθέσιμες εικόνες τηλεπισκόπησης δεν παρουσιάζουν υψηλή χωρική ανάλυση. ΄Ενας τρόπος για να αντιμετωπιστεί αυτό είναι η αύξηση της χωρικής ανάλυσης των εικόνων με χρήση ειδικών αρχιτεκτονικών Νευρωνικών Δικτύων, των Δικτύων Υπερανάλυσης Εικόνας. Στόχος της παρούσας διπλωματικής είναι η υλοποίηση ενός συστήματος Μηχανικής Μάθησης, το οποίο θα επεξεργάζεται δορυφορικές εικόνες ώστε να εντοπίσει δασικές εκτάσεις με τη μέθοδο της σημασιολογικής κατάτμησης, η οποία αναγνωρίζει τα εικονοστοιχεία που αντιστοιχούν σε δάση. Αρχικά, δημιουργείται ένα σύνολο δεδομένων από εικόνες τηλεπισκόπησης της δορυφορικής αποστολής Sentinel-2 και τις αντίστοιχες ετικέτες τους, οι οποίες προέρχονται από το OpenStreetMap. ΄Επειτα, χρησιμοποιείται ένα Δίκτυο Υπερανάλυσης Εικόνας, το οποίο αυξάνει την ανάλυση των εικόνων και των ετικετών και έτσι προκύπτουν δύο σύνολα δεδομένων, ένα με εικόνες χωρίς υπερανάλυση και ένα με εικόνες με υπερανάλυση. ΄Υστερα, εκπαιδεύονται και εξετάζονται 3 μοντέλα σημασιολογικής κατάτμησης πάνω στα σύνολα αυτά και μελετούνται τόσο οι επιδόσεις των μοντέλων μεταξύ τους, όσο και η επίδραση του συνόλου με υπερανάλυση στις αποδόσεις των μοντέλων. Τέλος, παρατίθενται τα συμπεράσµατα της παραπάνω πειραματικής διαδικασίας και συζητούνται πιθανές βελτιώσεις και επεκτάσεις.	el
heal.abstract	With the ever-increasing amount of satellite missions in orbit, Earth observation and remote sensing have advanced rapidly and are applied in a multitude of fields, such as ecosystem monitoring and natural disaster prevention. At the same time, due to the remarkable progress of Machine Learning in Computer Vision, combined with the need for more efficient observations, more and more tools are developed, which rely on Convolutional Neural Networks and attempt to map and detect pixel-scale changes on the Earth's surface. Such an application is forest monitoring, which is deemed nowadays highly critical, considering the threat of deforestation on a global scale. However, the spatial resolution of available open-source satellite imagery is not sharp enough. One way to address this issue is to augment the spatial resolution using special Neural Network architectures, the Image Super Resolution Networks. This diploma thesis aims to the development of a Machine Learning system, which processes satellite images in order to detect forest areas with the Semantic Segmentation method, which identifies the image pixels belonging to a forest area. Initially, a dataset is created which comprises of remote sensing images from the Sentinel-2 satellite mission along with the corresponding ground truth labels, which are collected from OpenStreetMap. After this, an Image Super Resolution architecture is used, which increases the resolution of the images and labels, resulting in having two datasets, one with super-resolved images and one with the original images. Then 3 Semantic Segmentation networks are trained and tested on the two datasets. The performance of the networks compared to one another, as well as the effect of the super-resolved dataset on the performance of the networks, are examined. Finally, conclusions on the aforementioned process are drawn and potential improvements and extensions are discussed.	en
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Κόλλιας, Στέφανος
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Συστημάτων Τεχνητής Νοημοσύνης και Μάθησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	98 σ.	el
heal.fullTextAvailability	false