Класификација на сцени снимени од воздух со методите на пренос на учење од конволуциски невронски мрежи

Petrovska, Biserka (2021) Класификација на сцени снимени од воздух со методите на пренос на учење од конволуциски невронски мрежи. Doctoral thesis, Факултет за информатика - Универзитет „Гоце Делчев“ - Штип.

Text Докторска теза конечна верзија 22.06.pdf Download (11MB)

Abstract

Класификацијата на сцени која се базира на слики е есенцијална во многу системи и апликации поврзани со набљудувањето на далечина (remote sensing).
Класификацијата на слики снимени од далечина (Remote Sensing (RS)) во последно време привлекува големо внимание поради примената во разрешување на различни задачи, вклучувајќи ја армијата, мониторинг на животната средина, надзор, обезбедување и детекција на геопросторни објекти.
Воведувањето на конволуциски невронски мрежи (CNN) и други техники на „длабоко“ учење придонело до огромно подобрување на точноста на класификацијата на сцени снимени од воздух.
Во нашето истражување, користиме пренос на учење од претходно тренирани длабоки конволуциски невронски мрежи (CNN) во рамки на класификацијата на слики снимени (набљудувани) од далечина. Првиот дел од
методите за пренос на учење, екстракција на карактеристики, изведен е со употреба на претходно тренирани конволуциски мрежи кои екстрахираат
длабоки карактеристики на сликите снимени од воздух од различни мрежни нивоа: нивото за редукција на просек (average pooling) или некое од претходните конволуциски нивоа. Потоа, применето е спојување на екстрахираните
карактеристики од различни невронски мрежи, откако е изведена редукција на димензионалноста на големите вектори на карактеристики. Конечно, искористенa е машина со вектори за поддршка (Support Vector Machine (SVM))
за класификација на споените карактеристики.
Во вториот дел од истражувањето, предлагаме примена на пренос на учење со фино подесување на претходно тренираните конволуциски невронски мрежи за класификација „од крај до крај“ (end-to-end) на слики снимени од
воздух. За подесување на стапката на учење, усвоивме примена на линеарно опаѓање на стапката на учење, како и примена на циклични стапки на учење.
Уште повеќе, со цел да се ублажи проблемот со претренирање (overfitting) на мрежните модели, применивме регуларизација со измазнување на лабели.
Нашиот пристап изведува екстракција на карактеристики од фино подесените невронски мрежи и класификација на сликите снимени од далечина со модел на машина со вектори за поддршка со линерано јадро и јадро со радијални основни 2
функции (Radial Basis Function (RBF)).
Ние експериментиравме екстензивно со различни мрежни архитектури, со цел да се добијат оптимални резултати: усвоивме конволуциски мрежи кои содржат модули со различни димензии на филтрите (inception modules), како и
мрежи кои содржат модули што учат остатоци од функции (residual modules).
Конкурентноста на испитуваните техники беше евалуирана на четири реални податочни множества: UC Merced, WHU RS, AID и NWPU-RESISC45. Добиенататочност на класификација покажува дека разгледуваните методи даваат
конкурентни резултати споредено со други современи техники. Резултатите покажуваат дека предложените методи покажуваат точност на класификација до 98%, со што се надминуваат други современи техники.

Item Type:	Thesis (Doctoral)
Subjects:	Natural sciences > Computer and information sciences
Divisions:	Faculty of Computer Science
Depositing User:	Mirjana Kocaleva Vitanova
Date Deposited:	25 Jun 2021 07:11
Last Modified:	25 Jun 2021 07:11
URI:	https://eprints.ugd.edu.mk/id/eprint/28248

Actions (login required)

View Item