dc.contributor.author | Λέων, Χαράλαμπος![]() |
el |
dc.contributor.author | Leon, Charalampos![]() |
en |
dc.date.accessioned | 2023-11-29T10:52:13Z | |
dc.date.available | 2023-11-29T10:52:13Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/58347 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.26043 | |
dc.description | Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική” | el |
dc.rights | Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nd/3.0/gr/ | * |
dc.subject | Αναγνώριση αεροσκαφών | el |
dc.subject | Τηλεπισκόπηση | el |
dc.subject | Συνελικτικά νευρωνικά δίκτυα | el |
dc.subject | Remote sensing | en |
dc.subject | Airplane detection | en |
dc.subject | Convolutional neural network | en |
dc.title | Αυτόματη αναγνώριση αεροσκαφών σε υψηλής ανάλυσης δορυφορικά δεδομένα με συνελικτικά νευρωνικά δίκτυα. | el |
dc.title | Automatic airplane detection from high resolution imagery satellite data convolutional neural network. | en |
heal.type | masterThesis | |
heal.classification | Μηχανική μάθηση, Τεχνητή νοημοσύνη | el |
heal.classification | Machine learning, Artificial intelligence | en |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2023-02-17 | |
heal.abstract | Η παρούσα εργασία ασχολείται με την μελέτη, διερεύνηση, εφαρμογή και αξιολόγηση μεθόδων Μηχανικής Μάθησης για την αναγνώριση αεροσκαφών σε υψηλής ανάλυσης δορυφορικές εικόνες. Πιο συγκεκριμένα μελετήθηκαν οι τελευταίες μέθοδοι στον τομέα της όρασης υπολογιστών για σκοπούς αναγνώρισης αντικειμένων και εφαρμόστηκε μέθοδος η οποία βρίσκεται στην αιχμή της τεχνολογίας. Αρχικά παρουσιάζονται βασικά στοιχεία θεωρίας των νευρωνικών δικτύων. Αναφέρεται ο τρόπος λειτουργίας τους, τα συστατικά τους μέρη καθώς και οι διάφοροι τύποι νευρωνικών δικτύων που συναντώνται στις μεθόδους Βαθιάς Μάθησης. Στη συνέχεια αναλύεται η μεθοδολογική προσέγγιση όπως αυτή παρουσιάζεται στο επίσημο αποθετήριο της χρησιμοποιούμενης μεθόδου. Το dataset που χρησιμοποιήθηκε για την εκπαίδευση του δικτύου αποτελείται από 400 μη πραγματικές εικόνες οι οποίες ελήφθησαν από διαδικτυακή πηγή. Οι εικόνες απεικονίζουν το προς αναγνώριση αντικείμενο σε διάφορα στιγμιότυπα, με μεγάλη παραλακτικότητα σε συνθήκες φωτισμού, υπόβαθρα, μεγέθη και σχήμα. Σκοπός είναι να δημιουργηθεί ένας ισχυρός ανιχνευτής ο οποίος μετά από αξιολόγηση, θα χρησιμοποιηθεί σε real-case σενάριο. Μετά την εκπαίδευση του δικτύου και την μελέτη και εξαγωγή των μετρητικών, ο ανιχνευτής χρησιμοποιήθηκε για δοκιμή σε δορυφορικές εικόνες υψηλής ανάλυσης που απεικονίζουν αεροσκάφη στη βάση τους και όχι σε κάποιο κατασκευασμένο μέρος. Τέλος παρουσιάζεται η εφαρμογή των μεθόδων αυτών πάνω στις δορυφορικές εικόνες και αξιολογούνται τα αποτελέσματα. Παρατηρούνται οι προβλέψεις σε κάθε εικόνα, και εξάγονται συμπεράσματα σχετικά με την αποτελεσματικότητα και λειτουργία των μεθόδων. | el |
heal.abstract | In this thesis the study, investigation, application and evaluation of Machine Learning methods for the identification of aircraft in high resolution satellite images is attempted. More specifically, the latest methods in the field of computer science for object detection purposes were studied and applied. Firstly, the basic elements of neural network theory are presented. Their mode of operation, their component parts as well as the various types encountered in Deep Learning methods are mentioned. Then the methodological approach is analyzed as it is presented in the official repository of the used method. The dataset used to train the network consists of 400 computer-based images obtained from an online source. The images depict the object to be identified in various positions, with important variations in lighting conditions, backgrounds, sizes and shape. The purpose is to create a robust detector which, after evaluation, was used in a real-case scenario. After training the neural network, studying and extracting the metrics, the detector was used for testing on high-resolution satellite images depicting aircraft at their initial base. Finally, the results of these methods on satellite images is presented and evaluated. The predictions in each image are observed, and conclusions are made regarding the operational effectiveness of the methods. | en |
heal.advisorName | Καράντζαλος, Κωνσταντίνος | el |
heal.advisorName | Καράντζαλος | el |
heal.committeeMemberName | Καράντζαλος, Κωνσταντίνος | el |
heal.committeeMemberName | Καραθανάση, Βασιλεία | el |
heal.committeeMemberName | Κολοκούσης, Πολυχρόνης | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 88 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: