Αυτόματη εξαγωγή αντικειμένων από τηλεπισκοπικές απεικονίσεις με τεχνικές βαθιάς μάθησης

Νομικός, Νικόλαος; Nomikos, Nikolaos

dc.contributor.author	Νομικός, Νικόλαος
dc.contributor.author	Nomikos, Nikolaos
dc.date.accessioned	2025-01-07T11:08:59Z
dc.date.available	2025-01-07T11:08:59Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60623
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28319
dc.rights	Default License
dc.subject	Βαθιά Μάθηση	el
dc.subject	Υπολογιστική όραση	el
dc.subject	Κατάτμηση	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Συνάρτηση κόστους	el
dc.subject	Deep Learning	en
dc.subject	Computer Vision	el
dc.subject	Segmentation	el
dc.subject	Neural Networks	el
dc.subject	Loss Function	el
dc.title	Αυτόματη εξαγωγή αντικειμένων από τηλεπισκοπικές απεικονίσεις με τεχνικές βαθιάς μάθησης	el
dc.title	Automatic Object Extraction from Remote Sensing Images Using Deep Learning Techniques	en
dc.contributor.department	Τομέας Τοπογραφίας - Εργαστήριο Τηλεπισκόπησης	el
heal.type	bachelorThesis
heal.classification	Βαθιά Μάθηση	el
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Τηλεπισκόπηση	el
heal.classification	Υπολογιστική όραση	el
heal.classification	Deep Learning	en
heal.classification	Artificial Intelligence	en
heal.classification	Remote Sensing	en
heal.classification	Computer Vision	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-17
heal.abstract	Η αναγνώριση, κατηγοριοποίηση, ταξινόμηση και περιγραφή των αντικειμένων που αποτυπώνονται σε αεροφωτογραφίες και δορυφορικές εικόνες αποτελούν βασικό αντικείμενο μελέτης και δράσης της κλασσικής Φωτοερμηνείας. Ωστόσο, αυτές οι διαδικασίες απαιτούν σημαντικό χρόνο και εξειδικευμένο προσωπικό για να ολοκληρωθούν με ικανοποιητικά αποτελέσματα. Η αλματώδης ανάπτυξη της τεχνολογίας και η εδραίωση της τεχνητής νοημοσύνης σε πληθώρα επιστημονικών πεδίων, συμβάλλουν σε σημαντικό βαθμό στην διαμόρφωση νέων τεχνικών αναγνώρισης και κατανόησης του περιεχομένου των δορυφορικών εικόνων. Ειδικά η επιστήμη της βαθιάς μάθησης (Deep learning), η οποία αποτελεί ένα υποσύνολο της τεχνητής νοημοσύνης (Artificial Intelligence or AI) οδήγησε στην ανάπτυξη της Υπολογιστικής Όρασης (Computer Vision) και τομέων της όπως η ταξινόμηση εικόνων (δυαδική ή πολλαπλών κατηγοριών), η ανίχνευση οντοτήτων (object detection) και η τμηματοποίηση εικόνας (segmentation). Η παρούσα διπλωματική εργασία έχει εκπονηθεί με σκοπό την έρευνα, την εξοικείωση και την εφαρμογή τεχνικών βαθιάς μάθησης με σκοπό την εξαγωγή οντοτήτων από τηλεπισκοπικές απεικονίσεις. Συγκεκριμένα, μελετήθηκε και χρησιμοποιήθηκε το μοντέλο Segment Anything το οποίο αποτελεί θεμελιώδες μοντέλο για κατάτμηση ή τμηματοποίηση εικόνας. Στα πλαίσια της διπλωματικής εργασίας, έχει υλοποιηθεί εφαρμογή η οποία επιτρέπει σε κάθε χρήστη, χωρίς να διαθέτει κάποια πρότερη γνώση, να ανιχνεύει και να εξάγει οντότητες σε πραγματικό χρόνο από δορυφορικές απεικονίσεις. Επιπρόσθετα, πραγματοποιήθηκε περαιτέρω εκπαίδευση (fine tuning) του συγκεκριμένου μοντέλου για την ανίχνευση συγκεκριμένων οντοτήτων ενδιαφέροντος που θα αναλυθεί σε επόμενο κεφάλαιο. Τα αποτελέσματα της έρευνας δείχνουν σημαντική βελτίωση στην ταχύτητα εξαγωγής οντοτήτων ενδιαφέροντος σε σχέση με τις παραδοσιακές μεθόδους ψηφιοποίησης. Η διαδικασία είναι πλήρως αυτοματοποιημένη, δεν απαιτεί ειδική εμπειρία από το χρήστη και δύναται να αποτελέσει το εφαλτήριο για περαιτέρω επεξεργασία των δεδομένων όπως στη διαδικασία της χαρτοσύνθεσης. Οι οντότητες ενδιαφέροντος που εξάγονται από τηλεπισκοπικές απεικονίσεις δύναται να χρησιμοποιηθούν σε τομείς με σημαντικές πρακτικές εφαρμογές όπως η παρακολούθηση της αστικής ανάπτυξης καθώς και ο έλεγχος των δασικών εκτάσεων για πιθανή τους καταπάτηση.	el
heal.abstract	The recognition, categorization, classification, and description of objects captured in aerial photographs and satellite images are fundamental aspects of classical photointerpretation. However, these processes require significant time and specialized personnel to be completed satisfactorily. The rapid advancement of technology and the establishment of artificial intelligence across various scientific fields significantly contribute to the development of new techniques for recognizing and understanding the content of satellite images. Specifically, the field of deep learning, a subset of artificial intelligence (AI), has led to the advancement of computer vision and its subfields, such as image classification (binary or multi-class), object detection, and image segmentation. This thesis was conducted with the aim of researching, familiarizing with, and applying deep learning techniques for the extraction of entities from remote sensing imagery. Specifically, the Segment Anything model, a foundational model for image segmentation, was studied and utilized. As part of the thesis, an application was developed that allows any user, without prior knowledge, to detect and extract entities in real-time from satellite imagery. Additionally, further training of this model was conducted for the detection of specific entities of interest, which will be analyzed in the following chapter. The research results show significant improvements in the speed of extracting entities of interest compared to traditional digitization methods. The process is fully automated, does not require special expertise from the user, and can serve as a springboard for further data processing, such as map composition. The data of interest can be used in fields with significant practical applications, such as monitoring urban development and controlling forest areas for potential encroachment.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος
heal.committeeMemberName	Παπουτσής, Ιωάννης
heal.committeeMemberName	Δουλάμης, Νικόλαος
heal.academicPublisher	Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	125
heal.fullTextAvailability	false