1. Αρχική σελίδα
  2. Αναζήτηση

Αυτόματος εντοπισμός κτηρίων απο RGB δορυφορικές εικόνες μέσω αλγορίθμου βαθιάς μάθησης

Το τεκμήριο παρέχεται από τον φορέα :
Εθνικό Μετσόβιο Πολυτεχνείο   

Αποθετήριο :
Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Αυτόματος εντοπισμός κτηρίων απο RGB δορυφορικές εικόνες μέσω αλγορίθμου βαθιάς μάθησης (EL)
Automatic building extraction from RGB satellite images using deep learning (EN)
Τέμενος, Αναστάσιος (EL)
Temenos, Anastasios (EN)
Δουλαμής, Αναστάσιος
Καράτζαλος, Κωνσταντίνος
Ιωαννίδης, Χαράλαμπος
ntua (EL)
bachelorThesis
2021-11-26T09:07:45Z
2021-07-20
Ο αυτόματος εντοπισμός κτηρίων από δορυφορικές εικόνες RGB αποτελεί μια διαδικασία παραγωγής χαρτών δόμησης, χρήσιμη για τους μηχανικούς και ερευνητές που ασχολούνται με έργα άμεσα συσχετιζόμενα με το ανθρωπογενές περιβάλλον. Ωστόσο, αποτελεί μια πολύ δύσκολη διαδικασία, ειδικότερα όσο αυξάνεται η πολυπλοκότητα της δόμησης μιας πόλης ή όταν τα φυσικά αντικείμενα και οι ανθρωπογενείς κατασκευές εμφανίζονται σε πολλά σημεία της περιοχής ενδιαφέροντος. Αισθητήρες που συλλέγουν χρήσιμη πληροφορία για τον αυτόματο εντοπισμό των κτηρίων, έχουν πολύ υψηλό κόστος και απαιτούν μεγάλη προεπεξεργασία, για την ορθή αυτοματοποίηση της διαδικασίας εξαγωγής. Στην ακόλουθη διπλωματική εργασία, εμπνευσμένοι από τα κατορθώματα της τεχνητής νοημοσύνης σε απαιτητικά προβλήματα όρασης υπολογιστών, ταξινόμησης εικόνων και πολλά άλλα, προτείνεται η αντιμετώπιση του εν λόγω προβλήματος εντοπισμού κτιρίων, μέσω της αρχιτεκτονικής του πλήρως συνελικτικού νευρωνικού δικτύου U-Net. Ένα τέτοιο δίκτυο, μιμούμενο τον τρόπο εκπαίδευσης του ανθρώπινου εγκεφάλου, έχει την ιδιότητα μέσα από συνεχή επεξεργασία δεδομένων, στα οποία παρουσιάζονται οι σωστές θέσεις των κτηρίων, να μπορεί να εντοπίζει και να χαρτογραφεί κτήρια σε νέες RGB εικόνες. Η ιδιαιτερότητα της αρχιτεκτονικής U-Net ευνοεί την προσκείμενη εφαρμογή, καθώς σε πρώτο στάδιο το δίκτυο «αναγνωρίζει» τι είναι ένα κτήριο, ενώ σε δεύτερο στάδιο, «μαθαίνει» να το χαρτογραφεί, δηλαδή εκτελεί σημασιολογική κατάτμηση σε μια εικόνα. Με σκοπό την αξιολόγηση του δικτύου, χρησιμοποιήθηκε το αποθετήριο δεδομένων SpaceNet 1, το οποίο διαθέτει 7000 εικόνες προς εκπαίδευση. Τα πειραματικά αποτελέσματα του δικτύου σε εικόνες του SpaceNet 1, δείχνουν πως τόσο οπτικά, όσο και στατιστικά, το μοντέλο ανεξαρτήτου πυκνότητας δόμησης έχει την ικανότητα να εντοπίζει τα κτήρια πετυχαίνοντας ακρίβεια 92.1% στο σετ ελέγχου. Τέλος συγκρίσεις με άλλες τεχνικές πάνω στο SpaceNet 1 δείχνουν την αποτελεσματικότητα του U-Net. (EL)
Ψηφιακή τηλεπισκόπηση (EL)
Σημασιολογική κατάτμηση (EL)
Αυτόματος εντοπισμός κτηρίων (EL)
Συνελικτικά νευρωνικά δίκτυα (EL)
FCN (EN)
Semantic Segmentation. (EN)
CNN (EN)
Automatic Building Extraction (EN)
U-Net (EN)
SpaceNet 1 (EN)
Remote Sensing (EN)
Deep Learning (EN)
Ελληνική γλώσσα
Photogrammetry (EL)
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών (EL)
http://creativecommons.org/licenses/by-nd/3.0/gr/
Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Εθνικό Μετσόβιο Πολυτεχνείο
Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA
Κεντρική Βιβλιοθήκη Ε.Μ.Π.
Ιδρυματικό Αποθετήριο
Διπλωματικές Εργασίες



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.