Διερεύνηση μεθόδων βαθιάς μάθησης για φασματικό διαχωρισμό
υπερφασματικών απεικονίσεων

Γιαννόπουλος, Γεώργιος; Καραθανάση, Βασιλεία; Giannopoulos, Georgios; Karathanasi, Vasileia

dc.contributor.author	Γιαννόπουλος, Γεώργιος	el
dc.contributor.author	Καραθανάση, Βασιλεία	el
dc.contributor.author	Giannopoulos, Georgios	en
dc.contributor.author	Karathanasi, Vasileia	en
dc.date.accessioned	2023-04-10T09:28:49Z
dc.date.available	2023-04-10T09:28:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57537
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25234
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	Υπερφασματικές εικόνες	el
dc.subject	Hyperspectral Imaging	en
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Neural networks	en
dc.subject	Φασματικός διαχωρισμός	el
dc.subject	Hyperspectral Unmixing	en
dc.subject	Αποκωδικοποιητές	el
dc.subject	Autoencoders	en
dc.subject	Διερεύνηση	el
dc.subject	Review	en
dc.title	Διερεύνηση μεθόδων βαθιάς μάθησης για φασματικό διαχωρισμό υπερφασματικών απεικονίσεων	el
dc.title	Review of deep learning methods for spectral unmixing of hyperspectral images	en
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote Sensing	en
heal.classification	Βαθειά Μάθηση	el
heal.classification	Deep Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-06
heal.abstract	Ο γραμμικός φασματικός διαχωρισμός είναι η διαδικασία έκφρασης των εικονοστοιχείων μια υπερφασματικής εικόνας σε καθαρούς στόχους και αφθονίες με ταυτόχρονη εξαγωγή τους. Σε αυτή την εργασία εκτελείται φασματικός διαχωρισμός με έξι διαφορετικούς αλγορίθμους βαθιάς μάθησης με σκοπό την συγκριτική αξιολόγησή τους. Αποδεικνύεται πως η αρχιτεκτονική ενός αποκωδικοποιητή, εφόσον σε αυτή τεθούν μια σειρά περιορισμών, ανταποκρίνεται πολύ καλά στο γραμμικό μοντέλο και μπορεί να απεικονίσει την φυσική και μαθηματική υπόσταση του. Ένας αποκωδικοποιητής είναι ένα πλήρως διασυνδεδεμένο νευρωνικό δίκτυο μη επιβλεπόμενης μάθησης που κωδικοποιεί τα δεδομένα εισόδου σε μια κρυφή αναπαράσταση χαμηλότερων διαστάσεων και έπειτα προσπαθεί να ανακατασκευάσει την εικόνα αποκωδικοποιώντας την κρυφή αναπαράσταση αυτή. Σε αυτό το μοντέλο η κρυφή αναπαράσταση αποτελεί τους χάρτες αφθονίας και τα βάρη του αποκωδικοποιητή τους καθαρούς στόχους.	el
heal.abstract	Linear hyperspectral unmixing is the process of expressing the pixels of a hyperspectral image into endmembers and abundances while simultaneously extracting them. In this paper, spectral separation is performed with six different deep learning algorithms in order to benchmark them. It is shown that the architecture of a decoder, given a set of constraints, corresponds very well to the linear model and can reflect it’s physical and mathematical substance. A decoder is a fully connected neural network that uses unsupervised learning and encodes the input data into a lower dimensional hidden representation. Then it attempts to reconstruct the image by decoding this hidden representation. In this model the hidden representation is the abundance maps and the decoder weights are the endmembers.	en
heal.advisorName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Παπαδοπούλου, Μαρία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	60 σ.	el
heal.fullTextAvailability	false