Розпізнавання (сегментація) об’єктів на супутникових та аерофотознімках
| dc.contributor.advisor | Колобродов, Валентин Георгійович | |
| dc.contributor.author | Снагощенко, Діана Михайлівна | |
| dc.date.accessioned | 2023-01-13T12:05:02Z | |
| dc.date.available | 2023-01-13T12:05:02Z | |
| dc.date.issued | 2022 | |
| dc.description.abstracten | Number of pages – 129 Number of figures – 68 Number of tables – 29 Number of applications – 0 Number of references – 65 Topic relevance. The ability to detect new buildings directly from satellite imagery is particularly useful in regions where the population is changing very quickly, as well as in remote and large-scale areas where the census of these new buildings is often done manually and quickly becomes obsolete. Aerial image processing can also find important applications in the assessment of building damage during natural disasters, allowing for the formulation of an adequate response in target areas. Finally, it can be very useful for solar panel manufacturers who want to estimate the usable roof surface area of a particular site. Huge volumes of images are taken every day by airborne or space-based platforms, and this volume is still growing. This amount of data makes manual processing of images very resource-intensive, so the need for the use of neural networks is increasing. The main task of automatic image recognition is to assign a semantic class or label to each pixel, i.e. to transform the input data into a semantically meaningful bitmap (which can be further processed using, for example, vectorization or polygonization). In most cases, the annotated data for classifier training is manually generated separately for each new project, which is a time-consuming and expensive process. Manual annotation needs to be repeated every time the task, geographic location, camera (sensor) characteristics, or even weather conditions on the image change, so the process does not scale well. Research goal and objectives. The purpose of this work is to conduct a comparative analysis of neural network architectures, encoders and metrics and data sets for the task of segmentation, research and modification of the loss function of a deep convolutional neural network, improvement of 10 model training, as well as creation, training and evaluation of the quality of a deep convolutional neural network for segmentation of objects on satellite or aerial photographs. To accomplish this goal, the following objectives were reached: • a comprehensive comparative analysis of architectures of segmentation networks and encoders was carried out; • datasets for segmentation of buildings in aerial photographs were investigated; • developed appropriate software; • conducted experiments and trained a number of neural networks; • the impact of loss functions on the model performance was investigated; • a quantitative and visual analysis of the obtained results was carried out on a test sample of the selected data set; • a startup project was developed «Object recognition and segmentation on satellite and aerial imaging» Object of research there is a technology for object recognition (segmentation) on satellite and aerial photographs. Subject of research there are methods of segmentation and classification of objects on satellite and aerial photographs. | uk |
| dc.description.abstractuk | Обсяг роботи – 129 Кількість ілюстрацій – 68 Кількість таблиць – 29 Кількість додатків – 0 Кількість джерел за переліком посилань – 65 Актуальність теми. Можливість виявляти нові будівлі безпосередньо з супутника зображення особливо корисні в регіонах, де кількість населення змінюється дуже швидко а також у віддалених і масштабних районах, де перепис цих нових будівель часто виконується вручну і швидко стає неактуальним. Обробка аерофотознімків також може знайти важливе застосування в оцінці будівельних пошкоджень при стихійних лихах, що дозволяє сформулювати адекватну відповідь у цільових областях. Нарешті, це може бути дуже корисним для виробників сонячних панелей, які хочуть оцінити корисну поверхню даху на певній ділянці. Величезні об’єми зображень щодня знімаються бортовими або космічними платформами, і цей обсяг все ще зростає. Така кількість даних робить ручне опрацювання зображень дуже ресурсозатратним, отже зростає необхідність застосування нейронних мереж. Основною задачею автоматичного розпізнавання зображень є призначення семантичного класу або мітки кожному пікселю, тобто перетворення вхідних даних до семантично значущої растрової карти (яка в подальшому може підлягати додатковій обробці за допомогою, наприклад, векторизації або полігонізації). У більшості випадків анотовані дані для навчання класифікатора генеруються вручну окремо для кожного нового проекту, що є трудомістким і дорогим процесом. Мануальну анотацію потрібно повторювати кожного разу, коли змінюється завдання, географічне розташування, характеристики камери (сенсора) чи навіть погодні умови на зображенні, тому процес погано масштабується. 6 Мета і задачі дослідження. Метою даної роботи є проведення порівняльного аналізу архітектур нейронних мереж, кодувальників та метрик та наборів даних для задачі сегментації, дослідження та модифікація функції втрат глибокої згорткової нейронної мережі покращення тренування моделі а також створення, тренування та оцінка якості роботи глибокої згорткової нейронної мережі для сегментації об’єктів на супутникових або аерофотознімках. Для досягнення вказаної мети було розв’язано такі задачі: • проведено вичерпний порівняльний аналіз архітектур сегментаційних мереж та кодувальників; • досліджено набори даних для сегментації будинків на аерофотознімках; • розроблене відповідне програмне забезпечення; • проведено експерименти та навчено низку нейронних мереж; • досліджено вплив функцій втрат на результат роботи моделі; • проведено кількісний та візуальний аналіз отриманих результатів на тестовій вибірці обраного набору даних; • розроблено стартап-проєкт «Розпізнавання (сегментація) об’єктів на супутникових та аерофотознімках» Об’єктом дослідження є технологія розпізнавання (сегментація) об’єктів на супутникових та аерофотознімках. Предметом дослідження є методи сегментації та класифікації об’єктів на супутникових та аерофотознімках. Методи дослідження. Для вирішення поставленої задачі було використано наступні методи: • методи агрегації, збору та анотації зображень; • методи чисельної оптимізації (для оптимізації параметрів глибокої нейронної мережі); • методи розробки програмного забезпечення (для програмної реалізації продукту); • методи комп’ютерної графіки (для роботи з зображеннями та генерації аугментацій); 7 • методи глибокого навчання (для побудови та навчання глибокої згорткової нейронної мережі). Наукова новизна одержаних результатів складається з таких положень: • проведено вичерпний порівняльний аналіз архітектур нейронних мереж, кодувальників, функцій втрат та метрик та наборів даних для задачі сегментації; • модифіковано функції втрат глибокої згорткової нейронної мережі для покращення сегментації об’єктів на супутникових та/або аерофотознімках. Практичне значення одержаних результатів. • для розпізнавання будинків в регіонах, де кількість населення змінюється дуже швидко а також у віддалених і масштабних районах, де перепис цих нових будівель часто виконується вручну і швидко стає неактуальним; • для виробників сонячних панелей для оцінки корисної поверхні даху та кількості сонячного світла на певній ділянці.; • для оцінки пошкоджень при стихійних лихах та військових конфліктах; • наразі існує потреба оцінки пошкоджень в деокупованих регіонах (де є можливість зробити знімки з дрона) та тимчасово окупованих регінах (де наявні тільки супутникові знімки). | uk |
| dc.format.page | 129 с. | uk |
| dc.identifier.citation | Снагощенко, Д. М. Розпізнавання (сегментація) об’єктів на супутникових та аерофотознімках : магістерська дис. : 151 Автоматизація та комп’ютерно-інтегровані технології / Снагощенко Діана Михайлівна. – Київ, 2022. – 129 с. | uk |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/51832 | |
| dc.language.iso | uk | uk |
| dc.publisher | КПІ ім. Ігоря Сікорського | uk |
| dc.publisher.place | Київ | uk |
| dc.subject | супутникові знімки | uk |
| dc.subject | аерофотознімки | uk |
| dc.subject | глибока згорткова нейронна мережа | uk |
| dc.subject | глибоке навчання | uk |
| dc.subject | функці втрат | uk |
| dc.subject | сегментація об’єктів | uk |
| dc.title | Розпізнавання (сегментація) об’єктів на супутникових та аерофотознімках | uk |
| dc.type | Master Thesis | uk |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- Snagoschenko_magistr.pdf
- Розмір:
- 7.49 MB
- Формат:
- Adobe Portable Document Format
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 1.71 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: