Методи машинного навчання для сегментації будівель на супутникових знімках

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorБалясіна, Ольга Ігорівна
dc.date.accessioned2024-11-06T09:55:47Z
dc.date.available2024-11-06T09:55:47Z
dc.date.issued2024
dc.description.abstractДипломна робота: 114 c., 31 рис., 9 табл., 2 додатки, 30 джерел. У дипломній роботі аналізуються та порівнюються різні методи машинного навчання для сегментації будівель на супутникових знімках. Особлива увага приділяється методам кластеризації, таким як K-Means, Fuzzy C-Means, та morphACWE для розв’язання задачі навчання без вчителя, а також глибоким нейронним мережам з використанням архітектур U-Net, U-Net++ та FPN. Розглядаються особливості застосування цих методів до аналізу деталізованих супутникових знімків та їх ефективність у вирішенні задачі семантичної сегментації. Досліджується ефективність покращеної моделі U-Net та пропонується модифікована архітектура U-Net++. Програмна частина роботи була виконана мовою програмування Python у середовищі розробки Jupyter. При реалізації використовувалися бібліотеки Numpy, Pandas, Matplotlib, OpenCV, Scikit-learn, Scikit-Fuzzy та Scikit-Image. При тренуванні та оцінці моделей нейронних мереж використовувалися бібліотеки PyTorch, Torchvision та Albumentations.
dc.description.abstractotherBachelor’s thesis: 114 p., 31 figures, 9 tables, 2 appendices, 30 references. This thesis analyzes and compares various machine learning methods for segmenting buildings in satellite imagery. It focuses particularly on clustering algorithms such as K-Means, Fuzzy C-Means, and morphACWE for solving the unsupervised learning problem, as well as deep neural networks utilizing architectures like U-Net, U-Net++, and FPN. The application of these methods to detailed satellite images and their effectiveness in addressing the task of semantic segmentation are examined. The efficiency of the improved U-Net model is investigated and a modified U-Net++ architecture is proposed. The software section of the research was written in the Python programming language in the Jupyter development environment. The libraries Numpy, Pandas, Matplotlib, OpenCV, Scikit-learn, Scikit-Fuzzy and Scikit-Image were used in the implementation. The PyTorch, Torchvision, and Albumentations libraries were used to train and evaluate neural network models.
dc.format.extent114 с.
dc.identifier.citationБалясіна, О. І. Методи машинного навчання для сегментації будівель на супутникових знімках : дипломна робота ... бакалавра : 124 Системний аналіз / Балясіна Ольга Ігорівна. - Київ, 2024. - 114 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/70357
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectметоди машинного навчання
dc.subjectmachine learning methods
dc.titleМетоди машинного навчання для сегментації будівель на супутникових знімках
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Baliasina_bakalavr.pdf
Розмір:
5.96 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи