Ανίχνευση δασικών αποψιλωμένων εκτάσεων με την χρήση τεχνικών Βαθιάς Μάθησης

Κρητικού, Βασιλική; Kritikou, Vasiliki

dc.contributor.author	Κρητικού, Βασιλική	el
dc.contributor.author	Kritikou, Vasiliki	en
dc.date.accessioned	2024-03-26T09:06:11Z
dc.date.available	2024-03-26T09:06:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59050
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26746
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	Deep Learning	en
dc.subject	Semantic Segmentation	en
dc.subject	Deforestation	en
dc.subject	Climate Change	en
dc.title	Ανίχνευση δασικών αποψιλωμένων εκτάσεων με την χρήση τεχνικών Βαθιάς Μάθησης	el
heal.type	bachelorThesis
heal.classification	Computer Programming - Climate Change	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-20
heal.abstract	Τα τελευταία χρόνια έχει διαπιστωθεί ραγδαία ανάπτυξη στις τεχνικές της όρασης υπολογιστών (Computer V isionision) και ιδιαίτερα σε αυτές που σχετίζονται με τη Βαθιά Μάθηση (Deep LearningLearning). Αρκετά ενδιαφέρον πεδίο εφαρμογής των τεχνικών Βαθιάς Μάθησης αποτελεί η κατάτμηση εικόνας (Image SegmentationSegmentation). Σκοπός της παρούσας διπλωματικής εργασίας αποτέλεσε η μελέτη εφαρμογών κατάτμησης δορυφορικών εικόνων για την αυτοματοποίηση του εντοπισμού αποψιλωμένων δασικών εκτάσεων. Το σύνολο των εικόνων που χρησιμοποιήθηκε για την εκπαίδευση των νευρωνικών δικτύων που μελετήθηκαν στην συγκεκριμένη διπλωματική εργασία αντλήθηκε από την open source ιστοσελίδα GitHub και συγκεκριμένα από το μοντέλο «BioWar/Satellite-Image-Segmentation-using-Deep-Learning-for-Deforestation-Detection». Για τη μελέτη του ανωτέρω συνόλου δεδομένων χρησιμοποιήθηκαν Πλήρως Συνελικτικά Νευρωνικά Δίκτυα (Fully Convolutional Neural NetworksNetworks). Συγκεκριμένα, χρησιμοποιήθηκε η δημοφιλής αρχιτεκτονική UNet η οποία επιτυγχάνει πολύ καλή απόδοση σε προβλήματα κατάτμησης εικόνων. Επιπλέον, χρησιμοποιήθηκε μοντέλο με Swin Transformer βασιζόμενο στην αρχιτεκτονική UNet προκειμένου να πραγματοποιηθεί κατάτμηση εικόνας. Για την αξιολόγηση των μοντέλων αυτών χρησιμοποιήθηκαν ορισμένες μετρικές, όπως ο Αρμονικός μέσος (FF1 – ScoreScore), Intersection over Union (IoUIoU), Cross - entropy loss και Accuracy (ακρίβεια). Συγκρίνοντας όλα τα μοντέλα για κάθε υπολογιζόμενη μετρική που χρησιμοποιήθηκε παρατηρείται ότι καλύτερα αποτελέσματα έχει το μοντέλο με τον Swin Transformer μετασχηματισμό. Επίσης, οι πιο αξιόπιστες μετρικές για τον σκοπό της παρούσας διπλωματικής διαπιστώθηκε ότι είναι οι μετρικές Αρμονικός μέσος (F1 – Score), Intersection over Union (IoU). ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ Τεχνητή Νοημοσύνη, Βαθιά Μάθηση, Σημασιολογική Κατάτμηση (Semantic SegmentationSegmentation),Αποψίλωση(DeforestationDeforestation), Πλήρως Συνελικτικά Νευρωνικά Δίκτυα (FullyConvolutional Neural Networks - FCNNFCNN), Μοντέλο UNetUNet, Vision TransformerTransformer, Swin TransformerTransformer, Μετρικές.	el
heal.abstract	Over the past years, there has been a rapid development in the field of C omputer V ision , especially through techniques involving Deep Learning . Image Segmentation is quite an interesting field of application of Deep Learning techniques. The aim of this diploma is the study of satellite image segmentation applications for the automation of the detection of deforest ation . The set of images used for the training of the neural networks that have been studied in this diploma was taken from the open source website GitHub and specifically from the « BioWar/Satellite Image Segmentation using Deep Learning for Deforestation Detection » mode l Fully Convolutional Neural Networks were used to study the above data set. In particular, the popular UNet architecture was used, which achieves very good performance in image segmentation problems. In addition, a Swin Transformer model based on the UNet architecture was used to perform image segmentation. Some metrics were used to evaluate these models, such as the (F1 Score), Intersection over Union (IoU), Cross entropy loss and Accuracy. By c omparing all models for each calculated metric used, it is observed that the model with the Swin Transformer transformation has better results. Also, the most reliable metrics for the purpose of this diploma were (F1 Score) and Intersection over Union (IoU) metrics. KEY WORDS Artificial Intelligence, Deep Learning, Semantic Segmentation, Deforestation, Fully Convolutional Neural Networks (FCNN), UNet Model, Vision Transformer, Swin Transformer, Metrics.	en
heal.advisorName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος	el
heal.committeeMemberName	Καράτζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	89 σ.	el
heal.fullTextAvailability	false