Ανίχνευση αντικειμένων από δορυφορικές εικόνες με χρήση τεχνικών μηχανικής μάθησης
Φόρτωση...
Ημερομηνία
Συγγραφείς
Μπέλλος, Λάμπρος
Bellos, Lampros
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
Οι δορυφορικές εικόνες διαδραματίζουν κρίσιμο ρόλο στη διαμόρφωση της κατανόησής μας για τον κόσμο, παρέχοντας πληθώρα πληροφοριών που δεν μπορούν να ληφθούν από κάμερες στο επίπεδο του εδάφους.
Η δορυφορική απεικόνιση αποκτά ολοένα και μεγαλύτερη σημασία σε πολλές εφαρμογές όπως η απομακρυσμένη επιτήρηση, η περιβαλλοντική παρακολούθηση, η εναέρια έρευνα. Όλες αυτές οι εφαρμογές περιλαμβάνουν την αναζήτηση αντικειμένων, γεγονότων ενδιαφέροντος, εγκαταστάσεων από τις δορυφορικές εικόνες.
Στις περισσότερες από αυτές, η χειροκίνητη ανίχνευση και ταξινόμηση αντικειμένων καθίσταται πολύ δύσκολη, ιδίως με τους μεγάλους όγκους δεδομένων και τον αριθμό των προς επεξεργασία δορυφορικών εικόνων.
Επιπρόσθετα, τα αντικείμενα είναι μικρά και τα οπτικά χαρακτηριστικά τους είναι εξαιρετικά δύσκολα να εντοπιστούν και να καταγραφούν, γεγονός που καθιστά την προσπάθεια ακόμη πιο δυσχερή.
Για το σκοπό αυτό διάφορες αυτοματοποιημένες τεχνικές μηχανικής μάθησης για την ανίχνευση και ταξινόμηση έχουν προταθεί και βρίσκονται σε εξέλιξη. Από αυτές τις μεθόδους, οι μέθοδοι βαθιάς μάθησης με τη χρήση νευρωνικών δικτύων είναι οι πλέον διαδεδομένες τα τελευταία χρόνια.
Περιλαμβάνουν την εξαγωγή διαφόρων χαρακτηριστικών από τις εικόνες και την ταξινόμησή τους με τη χρήση ταξινομητών μηχανικής μάθησης.
Στόχος της παρούσης διπλωματικής εργασίας είναι η αξιολόγηση του αλγορίθμου YOLO και των διαφορετικών μοντέλων του, ως μια μεθοδολογία για την αναγνώριση αντικειμένων σε δορυφορικές εικόνες.
Satellite images play a crucial role in shaping our understanding of the world, providing a wealth of information that cannot be obtained from cameras at ground level. Satellite imagery is becoming increasingly important in many applications such as remote sensing, environmental monitoring, aerial survey. All these applications involve searching for objects, events of interest, facilities from satellite images. In most of them, manual detection and classification of objects becomes very difficult, especially with the large volumes of data and the number of satellite images to be processed. In addition, the objects are small, and their visual characteristics are extremely difficult to detect and record, which makes the effort even more difficult. To this end, various automated machine learning techniques for detection and classification have been proposed and are currently under development. Of these methods, deep learning methods using neural networks are the most widespread in recent years. They involve extracting various features from images and classifying them using machine learning classifiers. The aim of this thesis is to evaluate the YOLO algorithm and its different models as a methodology for object recognition in satellite images.
Satellite images play a crucial role in shaping our understanding of the world, providing a wealth of information that cannot be obtained from cameras at ground level. Satellite imagery is becoming increasingly important in many applications such as remote sensing, environmental monitoring, aerial survey. All these applications involve searching for objects, events of interest, facilities from satellite images. In most of them, manual detection and classification of objects becomes very difficult, especially with the large volumes of data and the number of satellite images to be processed. In addition, the objects are small, and their visual characteristics are extremely difficult to detect and record, which makes the effort even more difficult. To this end, various automated machine learning techniques for detection and classification have been proposed and are currently under development. Of these methods, deep learning methods using neural networks are the most widespread in recent years. They involve extracting various features from images and classifying them using machine learning classifiers. The aim of this thesis is to evaluate the YOLO algorithm and its different models as a methodology for object recognition in satellite images.
Περιγραφή
Λέξεις-κλειδιά
Ανίχνευση αντικειμένων, Object detection
Θεματική κατηγορία
Μηχανική Όραση, Computer Vision
Παραπομπή
Σύνδεσμος
Γλώσσα
el
Εκδίδον τμήμα/τομέας
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Όνομα επιβλέποντος
Καρβέλης, Πέτρος
Εξεταστική επιτροπή
Καρβέλης, Πέτρος
Γκόγκος, Χρήστος
Γιαννακέας, Νικόλαος
Γκόγκος, Χρήστος
Γιαννακέας, Νικόλαος
Γενική Περιγραφή / Σχόλια
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Ονόματα συντελεστών
Αριθμός σελίδων
95 σ.
Λεπτομέρειες μαθήματος
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Attribution-NonCommercial-NoDerivs 3.0 United States