Izboljšava segmentacije multispektralnih slik z upoštevanjem negotovosti oznak

Bogataj, Mark (avtor), Čehovin Zajc, Luka (mentor), Račič, Matej (komentor)

V okviru diplomske naloge analiziramo vpliv šumnih podatkov na učenje modelov za klasifikacijo. Osredotočimo se na klasifikacijo poljščin iz multispektralnih satelitskih slik. Obstoječo arhitekturo nevronskih mrež za klasifikacijo poljščin prilagodimo, da se lahko uči z negotovimi oznakami razredov, ki izhajajo iz pogostih mejnih celic površin, ki vsebujejo dva ali več razredov poljščin. Metodo smo ovrednotili na podatkovni zbirki, ki vključuje celotno površje Slovenije, obravnavanje negotovosti v oznakah klasifikacijsko točnost izboljša za 5\%, kar odpira nove možnosti za bolj robustno učenje napovednih modelov na podobnih problemih.

• Jezik: Slovenski jezik
• Ključne besede: globoko učenje, Sentinel-2, razpoznavanje poljščin, klasifikacija površja
• Vrsta gradiva: Diplomsko delo/naloga
• Tipologija: 2.11 - Diplomsko delo
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2020
• PID: 20.500.12556/RUL-119838
• COBISS.SI-ID: 30824195
• Datum objave v RUL: 11.09.2020

BOGATAJ, Mark, 2020, Izboljšava segmentacije multispektralnih slik z upoštevanjem negotovosti oznak [na spletu]. Diplomsko delo. [Dostopano 4 maj 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=119838

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Multispectral imagery segmentation improvement using ambiguous labels

Izvleček

In the thesis, we analyzed the impact of noise data on the learning of classification models. We focused on the classification of crops from multispectral satellite images. The existing neural network architecture for crop classification is adapted so that it can be learned with uncertain class designations derived from common surface boundary cells containing two or more crop classes. The method was evaluated on a dataset that includes the entire surface of Slovenia, the evaluation of uncertainty in labels improves the classification accuracy by 5\%, which opens new possibilities for more robust learning of predictive models on similar problems.

• Ključne besede: deep learning, Sentinel-2, crop classification, land use and land cover classification