Klasifikacija uporabe zemeljske površine na podlagi multispektralnih slikRačič, Matej (Avtor) Čehovin Zajc, Luka (Mentor) globoko učenječasovna klasifikacijarabe zemljišča in klasifikacija površjasekvenčni podatkirazpoznavanje poljščinSentinel-2Opazovanje zemlje iz vesolja je z napredki v razvoju satelitov mogoče v večji natančnosti in frekvenci zajema. S tem lahko ažurno in podrobno sledimo namembnosti in spremembi uporabe delov površja. Vendar pa je to mogoče le, če zajete podatke lahko dovolj hitro obdelamo. Pri tem je ključnega pomena razvoj metod strojnega učenja in računalniškega vida za samodejno razpoznavo. Na teh področjih v zadnjem času dominirajo metode globokega učenja. V magistrskem delu obravnavamo uporabo globokih nevronskih mrež za klasifikacijo tipa poljščin. Pri tem je ključnega pomena časovna informacija, zato najprej ovrednotimo dve arhitekturi nevronskih mrež, ki delujeta z uporabo meritev skozi čas. Kljub veliki količini prosto-dostopnih satelitskih podatkov je dostop do kvalitetnih učnih baz podatkov otežen, zaradi omejitev pri dostopnosti anotacij. Za potrebe eksperimentalne analize smo pripravili lastno bazo poljščin na področju Slovenije v letu 2017. Dostop do potrebnih podatkov smo imeli v okviru EU projekta Perceptive Sentinel. V podobnih študijah so bile baze omejene na manjše regije in po naših informacijah je to prva analiza, narejena na območju države. Pred učenjem metod smo ovrednotili pogostost časovnih meritev in tudi doprinos izbire spektralnih kanalov. Izbrano metodo smo nato nadgradili s konvolucijskimi plastmi, s katerimi smo zajeli tudi prostorski kontekst okoli obravnavane celice. Končna metoda še nekoliko izboljša povprečni rezultat na bazi, sicer zaradi fragmentiranosti zemljišč kontekst ni tako informativen, kot smo pričakovali, vendar pa so končne regije bolj homogene.20192019-09-11 14:45:03Magistrsko delo/naloga110064VisID: 23002COBISS_ID: 1538331587sl