| dc.contributor.advisor | Καμηλάρης, Αντρέας | |
| dc.contributor.author | Παπουτέ, Μικαέλα | |
| dc.contributor.other | Papoute, Mikaela | |
| dc.coverage.spatial | Κύπρος | el_GR |
| dc.date.accessioned | 2022-08-31T10:03:36Z | |
| dc.date.available | 2022-08-31T10:03:36Z | |
| dc.date.copyright | 2022-08-30 | |
| dc.date.issued | 2022-05 | |
| dc.identifier.other | ΠΕΣ/2022/00324 | el_GR |
| dc.identifier.uri | http://hdl.handle.net/11128/5233 | |
| dc.description | Περιέχει βιβλιογραφικές παραπομπές. | el_GR |
| dc.description.abstract | Στην παρούσα μεταπτυχιακή διατριβή έγινε μια προσπάθεια εφαρμογής μεθόδων βαθιάς μάθησης για την αναγνώριση κτηρίων, πισίνων και παλιών/ εγκαταλελειμμένων σπιτιών χωρίς οροφή, με τη βοήθεια εικόνων δορυφόρου.
Πρόκειται για μια πολύπλοκη διαδικασία, η οποία εξαρτάται από την πολυπλοκότητα της δόμησης της περιοχής και της διαφορετικής δομής και κατασκευής των διάφορων κτηρίων και πισίνων.
Το πρόβλημα χρησιμοποιεί την αναγνώριση μοτίβων με σκοπό την κατηγοριοποίηση ενός συνόλου δεδομένων, για τη δημιουργία χαρτών δόμησης, οι οποίοι μπορούν να αξιοποιηθούν σε διάφορους τομείς της μηχανικής και της έρευνας.
Για τον εντοπισμό κτηρίων και πισίνων, παλαιότερα οι άνθρωποι χρησιμοποιούσαν εξοπλισμό, όπως αισθητήρες. Αυτό απαιτούσε καλή προ επεξεργασία, ώστε να είμαστε σίγουροι ότι η διαδικασία εξαγωγής γινόταν με το σωστό τρόπο κατά την αυτοματοποίηση, και είχε πολύ υψηλό κόστος.
Για την αντιμετώπιση του πιο πάνω προβλήματος, στην περίπτωση μας, χρησιμοποιήθηκε η διαδικασία βαθιάς μάθησης, η οποία μιμείται τον τρόπο που μαθαίνει ο εγκέφαλος του ανθρώπου και με τη χρήση εικόνων δορυφόρου, επιτυγχάνεται ο αυτόματος εντοπισμός σπιτιών, πισίνων και παλιών εγκαταλελειμμένων κτηρίων χωρίς οροφή.
Συγκεκριμένα, στην παρούσα μεταπτυχιακή διατριβή, χρησιμοποιήθηκε η αρχιτεκτονική του δικτύου U-Net, η οποία με την επεξεργασία των δεδομένων, αναγνωρίζει τις συγκεκριμένες κατηγορίες και κάνει χαρτογράφηση(mapping) στις υφιστάμενες εικόνες.
Αρχικά το δίκτυο αναγνωρίζει τι είναι το αντικείμενο (κτήριο, παλιό κτήριο ή πισίνα) και στη συνέχεια μαθαίνει να το χαρτογραφεί.
Για να αξιολογηθεί το δίκτυο, χρησιμοποιήθηκαν εικόνες δορυφόρου, οι οποίες συλλέχθηκαν από αξιόπιστη πηγή, η οποία είναι το Κτηματολόγιο της Κύπρου. Συγκεκριμένα χρησιμοποιήθηκαν 5131 εικόνες δορυφόρου προς εκπαίδευση από διάφορες περιοχές της Κύπρου.
Τα πειραματικά αποτελέσματα του, δείχνουν πως το μοντέλο έχει την ικανότητα να εντοπίζει σπίτια με ακρίβεια 81%, παλιά εγκαταλελειμμένα κτήρια χωρίς οροφή με ακρίβεια 94%και πισίνες με ακρίβεια 87% | el_GR |
| dc.format.extent | vii, 37 σ. ; 30 εκ. | el_GR |
| dc.language | gr | el_GR |
| dc.language.iso | gr | el_GR |
| dc.publisher | Ανοικτό Πανεπιστήμιο Κύπρου | el_GR |
| dc.rights | info:eu-repo/semantics/closedAccess | el_GR |
| dc.subject | Βαθιά μάθηση | el_GR |
| dc.subject | Deep learning | el_GR |
| dc.title | Αναγνώριση κτηρίων, πισίνων και παλιών εγκαταλελειμμένων σπιτιών χωρίς οροφή, μέσω εικόνων δορυφόρου, με τη χρήση Βαθιάς Μάθησης | el_GR |
| dc.type | Μεταπτυχιακή Διατριβή | el_GR |
| dc.description.translatedabstract | In this master's thesis, deep learning methods were applied to identify buildings, swimming pools and old / abandoned houses without roof, using satellite pictures.
It is a complex process, which depends on the complexity of the construction of the area and the different structure and construction of the buildings and swimming pools.
To categorize a set of data, pattern recognition is used, to create building maps that can be used in various fields of engineering and research.
In the past, people used equipment with sensors, for the detection of buildings and swimming pools. This required a good pre-processing, to be sure that the extraction process was done correctly in the automation. Also this method has a very high cost.
The above problem was solved in our case, with the deep learning process, which mimics the way that the human brain learns, using satellite images for automatic identification of buildings, swimming pools and old / abandoned houses without roof.
Specifically, the U-Net network architecture was used, which by the data processing, identifies the specific categories and mapping the existing images.
First the network recognizes what the object is (building, old building, pool,) and then learns to map it .
To evaluate the network, satellite images were used, which were collected from a reliable source, which is the Cyprus Land Registry. Specifically, 5131 satellite images were used for training from various areas of Cyprus.
The experimental results show that the model has the ability to detect houses with 81% accuracy, old abandoned buildings without roof with 94% accuracy and swimming pools with 87% accuracy in the control set. | el_GR |
| dc.format.type | pdf | el_GR |
