A comparative analysis of fully convolutional neural networks for cloud image segmentation

Το τεκμήριο παρέχεται από τον φορέα :
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών   

Αποθετήριο :
Πέργαμος   

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



A comparative analysis of fully convolutional neural networks for cloud image segmentation

Τζιώλος Φίλιππος (EL)
Tziolos Philippos (EN)

born_digital_postgraduate_thesis
Διπλωματική Εργασία (EL)
Postgraduate Thesis (EN)

2021


Η παρούσα διπλωματική εργασία έχει ως στόχο τη μελέτη και σύγκριση διαφόρων πλήρως συνελικτικών νευρωνικών δικτύων που προορίζονται για αναγνώριση νεφών από εικόνες ουρανού σε επίπεδο εικονοκυττάρου. Συγκεκριμένα, τα δίκτυα αυτά αξιολογούνται σε εικόνες νεφών από τη βάση δεδομένων SWIMSEG της Σιγκαπούρης μέσω των μετρικών: F1 score, Intersection over Union, Precision, Recall, Specificity και Accuracy. Αρχικά, παρουσιάζονται πέντε νέες παραλλαγές της αρχιτεκτονικής Unet, οι οποίες συγκρίνονται σε πέντε σύνολα εικόνων προπόνησης/επιβεβαίωσης/τεστ διαφορετικής αναλογίας, με σκοπό την εξέταση της επίδοσης τους και τον καθορισμό της βέλτιστης αναλογίας εικόνων. Ακολούθως, η έρευνα επεκτείνεται στην εύρεση του καταλληλότερου αλγορίθμου βελτιστοποίησης και της ευνοϊκότερης συνάρτησης κόστους. Τέλος, διερευνάται η τεχνική της μεταφοράς γνώσης για αναγνώριση νεφών από δίκτυα ήδη προπονημένα στο σύνολο δεδομένων ImageNet. (EL)
This thesis investigates at a multilateral level the performance of different fully convolutional neural networks on the task of cloud semantic segmentation for ground-based sky images. Specifically, the networks are evaluated on the Singapore Whole Sky Image Segmentation dataset via the metrics: F1 score, Intersection over Union, Precision, Recall, Specificity and Accuracy. Initially, five novel variations of the Unet architecture are proposed and benchmarked on five disparate training/validation/test set ratios to determine both the networks’ competence and the finest ratio. Subsequently, further research is conducted to define the optimal optimization algorithm and loss function for relatively small networks like Unets. Finally, the technique of transfer learning is examined on cloud segmentation through networks pretrained on the ImageNet dataset. (EN)

Θετικές Επιστήμες

Θετικές Επιστήμες (EL)
Science (EN)

Αγγλική γλώσσα

Σχολή Θετικών Επιστημών » Τμήμα Φυσικής » Διατμηματικό ΠΜΣ Ηλεκτρονική Ραδιοηλεκτρολογία-Ηλεκτρονικός
Αυτοματισμός » Κατεύθυνση Ηλεκτρονικός Αυτοματισμός (H/A)
Βιβλιοθήκη και Κέντρο Πληροφόρησης » Βιβλιοθήκη Σχολής Θετικών Επιστημών

https://creativecommons.org/licenses/by-nc/4.0/




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