Detekce mraků pomocí pokročilých hlubokých neuronových sítí
Detection of cloud coverage using advanced deep learning methods
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Jaroslav Hradil
Vedoucí práce
Šimánek Petr
Oponent práce
Koutenský František
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika, platnost do 2024Instituce přidělující hodnost
katedra aplikované matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Přesná detekce mraků je klíčovou součástí předzpracování satelitních snímků pro různé aplikace dálkového průzkumu Země. V posledních letech byla navržena řada metod hlubokého učení pro detekci mraků, jako jsou například konvoluční neuronové sítě nebo vision transformery, a cílem této práce je tyto metody porovnat. V této práci je provedena rešerše aktuální literatury zabývající se detekcí mraků a jsou podrobně zkoumány architektury U-Net a SegFormer. Ty byly implementovány ve frameworku PyTorch a trénovany na datasetu 38-Cloud, který obsahuje snímky ze satelitu Landsat-8. Výkon těchto dvou metod je pak hodnocen pomocí metrik přesnosti, Intersection over Union (IoU) a F1 skóre. Výsledky ukazují, že SegFormer mírně překonává architekturu založenou na U-Netu v přesnosti, zatímco U-Net mírně překonává SegForer v metrikách IoU a F1. U-Net navíc potřebuje výrazně méně času k natrénování. To dokazuje, že i přesto, že je U-Net poměrně jednoduchý a starý, stále zůstává relevantní a efektivní architekturou hlubokého učení. Zjištění této práce mohou pomoci ostatním odborníkům zvolit vhodný model hlubokého učení pro jejich aplikaci a poskytují dobrý základ pro další výzkum. Accurate cloud detection is a key component of the preprocessing needed to prepare optical satellite imagery for various remote sensing applications. In recent years, numerous deep learning methods for cloud detection, such as convolutional neural networks or visual transformer, have been introduced, and this thesis aims to compare them. In the thesis, current literature on cloud detection methods is reviewed, and the deep learning architectures U-Net and SegFormer are investigated in detail. They are implemented in the PyTorch framework, trained on the 38-Cloud dataset, which consists of Landsat-8 satellite imagery. Their performance is evaluated using accuracy, intersection over union (IoU) and F1 score. The results show that SegFormer slightly outperforms the U-Net based architecture in terms of accuracy, while U-Net slightly outperforms SegFormer in the IoU and F1 score. Moreover, the U-Net based architecture has much shorter training time. This proves that even though being relatively simple and old, U-Net is still relevant and efficient architecture today. The findings of this study can help other professionals choose the most suitable deep learning architecture for their use-case and provide a solid basis for further research.
Zobrazit/ otevřít
Kolekce
- Bakalářské práce - 18105 [292]