Розпізнавання об’єктів на зашумлених зображеннях

Скорочена інформація про документ
dc.contributor.advisorЛащевська, Наталія Олександрівна
dc.contributor.authorЛевченко, Ігор Сергійович
dc.date.accessioned2024-02-14T10:58:12Z
dc.date.available2024-02-14T10:58:12Z
dc.date.issued2024
dc.description.abstractТекстова частина магістерської дисертації містить: 99 с., 65 рис., 2 табл., 2 додатка, 40 використаних джерел. Мета роботи: Реалізувати ефективний метод машинного навчання, за допомогою вибору архітектури нейронної мережі для розпізнавання об'єктів різних типів на зашумлених супутникових знімках. Для досягнення поставленої мети в магістерській дисертації були вирішені наступні завдання: збір та підготовка даних; попередня обробка даних, а саме використання та навчання автокодера для зменшення рівня шумів для покращення точності розпізнавання; використання та навчання нейронної мережі YOLO останньої версії для розпізнавання об’єктів на попередньо оброблених знімках; тестування та оцінка результатів. В результаті було отримано модель нейронної мережі, яка продемонструвала гарну точність у розпізнаванні об'єктів на зашумлених супутникових знімках. Вона може бути реалізована для застосування у сферах моніторингу довкілля, геологічних досліджень та низці інших областей, де важлива автоматизована обробка супутникових зображень. Можливе подальше удосконалення моделі, тобто продовження дослідження для покращення точності та надійності розпізнавання об’єктів, шляхом покращення ланки автокодера або застосування інших комбінацій підходів машинного навчання. Також можливе покращення моделі шляхом реалізації розпізнавання об’єктів в режимі реального часу.
dc.description.abstractotherThe text part of the master's thesis contains: 99 p., 65 fig., 2 tables, 2 appendix, 40 references. The purpose of the work: To implement an effective machine learning method by selecting a neural network architecture for recognition various types of objects at noisy satellite images. To achieve this goal, the following tasks were solved in the master's thesis: data collection and preparation; data preprocessing, namely using and training an autoencoder to reduce noise and improve recognition accuracy; using and training the latest version of the YOLO neural network to recognize objects on pre-processed images; testing and evaluation of results. As a result a neural network model demonstrated good accuracy in recognizing objects on noisy satellite images was obtained. It could be implemented for use in environmental monitoring, geological research, and a number of other areas where automated processing of satellite images is important. Further improvement of the model is possible, i.e., continuing research to improve the accuracy and reliability of object recognition by improving the autoencoder part or applying other combinations of machine learning approaches. It’s also possible to improve the model by implementing real-time object recognition.
dc.format.extent99 с.
dc.identifier.citationЛевченко, І. С. Розпізнавання об’єктів на зашумлених зображеннях : магістерська дис. : 172 Телекомунікації та радіотехніка / Левченко Ігор Сергійович. – Київ, 2024. – 99 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/64568
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectдистанційне зондування
dc.subjectсупутникові знімки
dc.subjectшуми
dc.subjectзменшення шумів
dc.subjectрозпізнавання об'єктів
dc.subjectнейронна мережа
dc.subjectавтокодер
dc.subjectyolo
dc.subjectremote sensing
dc.subjectsatellite imagery
dc.subjectnoise
dc.subjectnoise reduction
dc.subjectobject recognition
dc.subjectneural network
dc.subjectautoencoder
dc.subject.udc004.55
dc.titleРозпізнавання об’єктів на зашумлених зображеннях
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Levchenko_magistr.pdf
Розмір:
7.17 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

Магістерські роботи (РЕ)
Магістерські роботи