Αυτόματη αναγνώριση αεροσκαφών σε υψηλής ανάλυσης δορυφορικά δεδομένα με συνελικτικά νευρωνικά δίκτυα.

Λέων, Χαράλαμπος; Leon, Charalampos

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