Možnosti využití konvolučních neuronových sítí

Abstract

Technologický vývoj v některých vědních odvětvích nabírá v posledních několika letech stále na rychlosti. Pro ostatní vědní obory se pak stává těžké držet s okolím tempo. Jedním takovým nevyrovnaným vztahem je vývoj konvolučních neuronových sítí a obor geomatiky, případně dálkového průzkumu Země. Nové architektury konvolučních neuronových sítí se objevují nebývalým kvapem, nedávajíce odborníkům na dálkový průzkum Země dostatek času nutný pro spouštění důsledných analýz a porovnání jejich relativních přesností. V důsledku bývá častý přístup ve studiích dálkového průzkumu Země takový, že se pro zpracovávání dat vybírají nejnovější dostupné modely konvolučních neuronových sítí, přestože znalosti o jejich výkonu a přesnosti jsou limitovány na jejich původní aplikační oblasti. Modely vhodné pro běžné zpracování obrazu však nemusejí být nutně vhodné pro data dálkového průzkumu Země. Tato doktorská práce má za cíl systematické prozkoumání a porovnání možností využití určených architektur konvolučních neuronových sítí na třech vybraných případových studiích z prostředí dálkového průzkumu Země---detekci mraků na snímcích satelitního systému VENuS, klasifikaci využití městské zeleně v Praze na snímcích satelitního systému Sentinel-2 a klasifikaci povrchu pozemních komunikací na leteckých snímcích.

n recent years, the technological progress in certain science fields is getting faster and faster. The advancement acceleration makes it challenging for other scientific areas to keep up with this tempo. One of the~exemplary relationships is the link between convolutional neural network development and the province of geomatics or remote sensing. New architectures of convolutional neural network models are being published with an expeditious tempo, not leaving remote sensing scientists enough time to run thorough analyses and comparisons of their performance. As a result, many remote sensing studies tend to use the most recent architectures, although the knowledge of the architectures' relative performance is limited to their original scientific field. However, models useful for common computer vision problems do not necessarily have to reach good results on remote sensing data. The aim of this thesis is to perform systematic research on the possibilities of use of chosen convolutional neural network architectures on three selected use cases from the field of remote sensing---cloud detection on VENuS satellite system imagery, land use classification of Prague urban green areas on Sentinel-2 satellite system imagery, and road surface classification on aerial imagery.