HEAL DSpace

Ταξινόμηση χρήσεων γης με τεχνικές τεχνητής νοημοσύνης

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

dc.contributor.author Μπίμπας, Ιωάννης el
dc.contributor.author Bimpas, Ioannis en
dc.date.accessioned 2024-12-23T09:50:33Z
dc.date.available 2024-12-23T09:50:33Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/60610
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.28306
dc.rights Default License
dc.subject Ταξινόμηση el
dc.subject Δορυφορικές εικόνες el
dc.subject Χρήσεις γης el
dc.subject Τεχνητή νοημοσύνη el
dc.subject Σημασιολογική κατάτμηση el
dc.subject Classification en
dc.subject Land use en
dc.subject Satellite images en
dc.subject Vision transformer en
dc.subject Artificial intelligence en
dc.title Ταξινόμηση χρήσεων γης με τεχνικές τεχνητής νοημοσύνης el
dc.title Land use classification using artificial intelligence techniques en
heal.type bachelorThesis
heal.classification Τοπογραφία el
heal.classification Topography en
heal.language el
heal.access campus
heal.recordProvider ntua el
heal.publicationDate 2024-06-21
heal.abstract Η αυτόματη ταξινόμηση χρήσεων γης από δορυφορικές εικόνες RGB αποτελεί μια διαδικασία χρήσιμη για τους μηχανικούς και ερευνητές που ασχολούνται με έργα σχετικά με το ανθρωπογενές περιβάλλον. Ωστόσο, αποτελεί μια πολύ δύσκολη διαδικασία, ειδικότερα όσο αυξάνεται η πολυπλοκότητα της δόμησης μιας περιοχής ή όταν τα φυσικά αντικείμενα και οι ανθρωπογενείς κατασκευές εμφανίζονται σε πολλά σημεία της περιοχής ενδιαφέροντος. Αισθητήρες που συλλέγουν χρήσιμη πληροφορία για την αυτόματη ταξινόμηση χρήσεων γης, έχουν πολύ υψηλό κόστος και απαιτούν μεγάλη προεπεξεργασία, για την ορθή αυτοματοποίηση της διαδικασίας. Στην ακόλουθη διπλωματική εργασία, εμπνευσμένοι από τα κατορθώματα της τεχνητής νοημοσύνης σε απαιτητικά προβλήματα όρασης υπολογιστών, ταξινόμησης εικόνων και πολλά άλλα, προτείνεται η αντιμετώπιση του εν λόγω προβλήματος μέσω της αρχιτεκτονικής του Vision Transformer (ViT). Ένα τέτοιο δίκτυο, μιμούμενο τον τρόπο εκπαίδευσης του ανθρώπινου εγκεφάλου, έχει την ιδιότητα μέσα από συνεχή επεξεργασία δεδομένων, στα οποία παρουσιάζονται οι σωστές κατηγορίες χρήσεων γης, να μπορεί να ταξινομεί και να χαρτογραφεί χρήσεις γης σε νέες RGB εικόνες. Η ιδιαιτερότητα της αρχιτεκτονικής ViT ευνοεί την προσκείμενη εφαρμογή, καθώς σε πρώτο στάδιο το δίκτυο «αναγνωρίζει» τις διάφορες κατηγορίες χρήσεων γης, ενώ σε δεύτερο στάδιο, «μαθαίνει» να τις χαρτογραφεί, δηλαδή εκτελεί σημασιολογική κατάτμηση σε μια εικόνα. Με σκοπό την αξιολόγηση του δικτύου, χρησιμοποιήθηκε το αποθετήριο δεδομένων EuroSAT, το οποίο διαθέτει μεγάλο αριθμό εικόνων προς εκπαίδευση. Τα πειραματικά αποτελέσματα του δικτύου σε εικόνες του EuroSAT, δείχνουν πως τόσο οπτικά, όσο και στατιστικά, το μοντέλο ανεξαρτήτου πυκνότητας δόμησης έχει την ικανότητα να ταξινομεί τις χρήσεις γης πετυχαίνοντας υψηλή ακρίβεια στο σετ ελέγχου. el
heal.abstract Automatic land use classification from RGB satellite images is a useful process for engineers and researchers working on projects related to the human environment. However, it is a very challenging task, especially as the complexity of urban structures increases or when natural objects and human-made constructions appear in many parts of the area of interest. Sensors that collect useful information for automatic land use classification are very costly and require extensive preprocessing for the proper automation of the process. In this thesis, inspired by the achievements of artificial intelligence in demanding problems of computer vision, image classification, and many others, we propose addressing this problem using the Vision Transformer (ViT) architecture. Such a network, mimicking the training method of the human brain, has the capability through continuous data processing, where the correct land use categories are presented, to classify and map land uses in new RGB images. The particularity of the ViT architecture favors the application at hand, as in the first stage the network "recognizes" the various land use categories, while in the second stage, it "learns" to map them, performing semantic segmentation on an image. To evaluate the network, the EuroSAT dataset was used, which provides a large number of images for training. The experimental results of the network on EuroSAT images show that both visually and statistically, the model, regardless of building density, can classify land uses with high accuracy on the test set. en
heal.advisorName Δουλάμης, Νικόλαος el
heal.advisorName Doulamis, Nikolaos en
heal.committeeMemberName Δουλάμης, Αναστάσιος el
heal.committeeMemberName Δουλάμης, Νικόλαος el
heal.committeeMemberName Πότσιου, Χρυσή el
heal.committeeMemberName Doulamis, Anastasios en
heal.committeeMemberName Doulamis, Nikolaos en
heal.committeeMemberName Potsiou, Cryssy en
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Φωτογραμμετρίας el
heal.academicPublisherID ntua
heal.numberOfPages 78 σ. el
heal.fullTextAvailability false
heal.fullTextAvailability false


Αρχεία σε αυτό το τεκμήριο

Αυτό το τεκμήριο εμφανίζεται στην ακόλουθη συλλογή(ές)

Εμφάνιση απλής εγγραφής