Částečné učení s učitelem pro časově-prostorovou segmentaci satelitních snímků

Abstract

Tato práce zkoumá použitelnost algoritmů částečného strojového učení s učitelem pro segmentaci lesních ploch ze satelitních snímků. Namísto přímého vyhodnocování na satelitních snímcích budeme používat CityScape dataset pro ověření výsledků a reprodukovatelnost. Poskytujeme přehled algoritmů v oblasti částečného strojového učení a představujeme vyhodnocované algoritmy: referenční MixMatch a nový algoritmus založený na symetrickém učení variačních autoenkodérů. Uvádíme také náhled do variačních autoenkodérů, zahrnující jejich teoretické základy a rozšíření, aby čtenář porozuměl základním principům. Hlavním cílem je porovnat segmentační schopnosti obou algoritmů. V obou případech využíváme stejnou architekturu modelů založenou na U-net síti. MixMatch účinně zvyšuje přesnost segmentace, zejména ve scénářích s velmi malým množstvím dostupných dat. Přestože symetrické učení hierarchického autoenkodéru nepřekonává základní model s učitelem, experimenty prokazují použitelnost symetrického učení a zároveň identifikují oblasti pro zlepšení.This thesis investigates the applicability of semi-supervised machine learning algorithms for forest land cover segmentation in satellite images. Instead of directly evaluating satellite imagery, the CityScape dataset is utilized for result verification and reproducibility. We review the semi-supervised machine learning algorithms, introduce MixMatch as a reference method and a novel algorithm based on symmetric learning of variational autoencoders, along with a self-contained introduction to variational autoencoders. The research aims to compare the segmentation potential and capabilities of both the new and the reference algorithms using a U-net network-based model architecture. The results show that MixMatch effectively enhances segmentation performance to supervised baseline, particularly in scenarios with limited labeled data. Although the symmetrical learning does not exceed the supervised baseline, the experiments still serve as a proof of concept, highlighting areas for further investigation.