Detekce objektů v satelitních snímcích vysokého rozlišení

Abstract

Vzhledem k velkému množství dostupných satelitních snímků téměř z jakékoliv časti zeměkoule se potkáváme s úkolem interpretace těchto dat k extrakcí užitečních informací. V této práci se díváme na způsob automatizace detekce lodí pro sledování námořního provozu v zadaném regionu nebo přístavech. Navrhujeme přístup z hlediska strojového učení s použitím hlubokých neuronových sítí a vyšetřujeme vývoj, implementaci a ohodnocení takového algoritmu, spolu s metodami a datovou množinou, které jsou použité pro trénování klasifikátoru. Také se díváme na grafový přístup k výpočtu s použitím TensorFlow, který poskytuje možnost snadné masivní paralelizace a rozmístění na Cloud. Konečný výsledek je algoritmus, který je schopný přijímat obrázky od různých poskytovatelů v různém rozlišení a vytvářet binární masku nad všechny detekované lodě.

Given the abundance of various types of satellite imagery of almost any region on the globe we are faced with a challenge of interpreting this data to extract useful information. In this thesis we look at a way of automating the detection of ships to track maritime traffic in a desired port or region. We propose a machine learning approach using deep neural networks and explore the development, implementation and evaluation of such a pipeline, as well as methods and dataset used to train the neural network classifier. We also take a look at a graphical approach to computation using TensorFlow, which offers easy massive parallelization and deployment to cloud. The final result is an algorithm which is capable of receiving images from various providers at various resolutions and outputs a binary pixel-wise mask over all detected ships.