6533b82ffe1ef96bd1295609
RESEARCH PRODUCT
Konvolūcijas neironu tīklu izmantošana lauksaimniecības zemēs augošu koku detektēšanai
Kaspars Vadonissubject
ĢeogrāfijaĢISmākslīgie neironu tīklikonvolūcijas neironu tīklimašīnmācīšanāsmaksimālās varbūtības klasifikatorsdescription
Mašīnmācīšanās metodes ir mūsdienīgs risinājums dažādu problēmu automatizētai risināšanai. Šī bakalaura darba mērķis ir iepazīties ar mašīnmācīšanās metožu pielietojumu ģeogrāfisku problēmu risināšanai, primāri izmantojot konvolūcijas neironu tīklus (CNN), kuri aizvien plašāk tiek izmantoti objektu atpazīšanai attēlos. Šajā darbā aplūkotas metodes, problēmas un dažādi risinājumi, veiksmīgai konvolūcijas neironu tīklu izmantošanai tālizpētes materiālu automatizētai analīzes veikšanai. Darbā izmantoti plaši atzītie LeNet-5 un ResNet50 konvolūcijas neironu tīkli, kā arī vienkāršāks konvolūcijas tīkls un mākslīgais neironu tīkls (NN) bez konvolūcijas. Rezultātu salīdzināšanai izmantots arī tradicionāls mašīnmācīšanās paņēmiens – maksimālās varbūtības klasifikators (MLC). Bakalaura darbā izmantoti divu veidu tālizpētes materiāli – Sentinel 2 un Ortofoto dati. Konvolūcijas neironu tīkla rezultāti, izmantojot Sentinel 2 datus saniedza 91% kopējo pareizību, bet izmantojot neironu tīklu bez konvolūcijas un maksimālās varbūtības klasifikatoru attiecīgi 89% un 66%. Augstākas precizitātes tālizpētes materiālam – ortofoto datiem, tika izmantoti sarežģītāki konvolūcijas neironu tīkli – ResNet50 un LeNet-5, kā arī maksimālās varbūtibas klasifikators. ResNet50 rezultātu kopējā pareizība iegūta vien 66%, tāpēc darbā akcentēti iegūto rezultātu uzlabošanas mēģinājumi un testi.
| year | journal | country | edition | language |
|---|---|---|---|---|
| 2019-01-01 |