20.500.12556/RUL-166035 Samodejna segmentacija satelitskih slik na podlagi šumnih oznak Automatic segmentation of satellite images using noisy labels V delu preučujemo vpliv šuma v oznakah na samodejno razpoznavo področij v satelitskih slikah. Pridobivanje oznak je na tem področju namreč izziv. Veliko jih je pridobljenih iz virov, ki niso usklajeni s slikovnimi podatki. Prihaja do prostorskih odstopanj ter zamenjave razredov posameznih območij. V študiji obravnavamo več uveljavljenih metod strojnega učenja, ki smo jih preizkusili na različnih vrstah šuma, ki je lahko prisoten pri oznakah satelitskih slik. Posebej se osredotočimo na metode globokega učenja, ki dosegajo dobre rezultate v računalniškem vidu. Te metode so do neke mere že robustne na šum v oznakah, dodatno pa preizkusimo tudi ogrodje DivideMix, ki je narejeno prav za učenje na šumnih podatkih. Vpliv šuma eksperimentalno ovrednotimo na realnem problemu določanja dejanske rabe kmetijskih in gozdnih zemljišč v Republiki Sloveniji. Rezultati študije kažejo, da so metode globokega učenja robustne na nizke do srednje vrednosti šuma v oznakah. Kadar pa je šuma v oznakah veliko, lahko z ogrodjem DivideMix dosežemo izboljšanje. Obenem so se za zelo robustne izkazale tudi klasične metode strojnega učenja. In this work, we examine the impact of label noise on the actual recognition of areas in satellite images. Acquiring labels in this field is challenging, as many of the labels are obtained from sources which are not aligned with the image data. Spatial deviations and misclassifications of specific regions also occur. In this thesis, we discuss several established machine learning methods, which were then tested on the different types of noise that can be present in satellite image labels, with an in-depth focus on those deep learning methods that achieve satisfactory results in computer vision. These methods are already more or less robust when it comes to label noise. Additionally, we tested the DivideMix framework, which is specifically designed for learning from noisy data. The impact of noise is experimentally evaluated on the real problem of determining the actual use of agricultural and forest land in the Republic of Slovenia. The results of this thesis show that deep learning methods are robust to low to medium levels of label noise. However, when the level of label noise is high, the DivideMix framework can be used to improve results. Next to that, classical machine learning methods have also proven to be very robust. računalniški vid šumne oznake satelitske slike samodejna segmentacija computer vision noisy labels satellite images automatic segmentation true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2024-12-18 12:30:01 2024-12-18 12:30:07 2024-12-20 11:34:08 0000-00-00 00:00:00 2024 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37211 220047107 Suler_Kristijan_-_Samodejna_segmentacija_satelitskih_slik_na_podlagi_sumnih_oznak.pdf Suler_Kristijan_-_Samodejna_segmentacija_satelitskih_slik_na_podlagi_sumnih_oznak.pdf 1 66C647C177C26880CA08ACC79E1BF33A 7cc1a6116ed4d9598f349b0c3f84aabbeb615322f90f02bfb6a68218c5e51c12 e1b4ae32-bd32-11ef-b232-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=197406 Fakulteta za računalništvo in informatiko 0 0 0