Розробка та порівняння моделей глибокого навчання для сегментації супутникових зображень з метою локалізації ерозії грунтів

Скорочена інформація про документ
dc.contributor.authorБагмут, Іван Олександровичuk
dc.contributor.authorФігурська, Валентина Степанівнаuk
dc.date.accessioned2023-02-21T13:35:39Z
dc.date.available2023-02-21T13:35:39Z
dc.date.issued2022
dc.description.abstractДана робота присвячена вирішенню задачі автоматичного визначення географічного положення ґрунтів, що виявляють ознаки деградації. У роботі проведене детальне дослідження існуючої літератури за тематикою, розглянуто алгоритми та підходи вирішення задачі та їх переваги і недоліки, а також запропоновано критерії оцінки та базовий алгоритм для порівняння з результатами подальших досліджень та експериментів. Такий підхід забезпечує адекватну оцінку якості розробки програмних засобів сегментації зображень. Оскільки алгоритми машинного навчання потребують попередньої обробки даних, а також існують певні особливості роботи із супутниковими зображеннями, розроблена низка функцій, які надалі можуть використовуватись такими алгоритмами. Результатом роботи є розроблений програмний пакет завантаження та передобробки супутникових зображень, а також тренування і оцінки моделей глибокого навчання.uk
dc.description.abstractThis work is devoted to solve the problem of automatic determination of the geographic location of soils showing signs of degradation. The work carried out a detailed study of the existing literature on the subject, considered algorithms and approaches to solving the problem and their advantages and disadvantages, as well as proposed evaluation criteria and a basic algorithm for comparison with the results of further research and experiments. This approach provides an adequate assessment of the quality of image segmentation software development. Since machine learning algorithms require pre-processing of data, and there are also certain features of working with satellite images, a number of functions have been developed that can be used by such algorithms in the future. The result of the work is a developed software package for downloading and processing satellite images, as well as training and evaluation of deep learning models.en
dc.identifier.citationБагмут І. О. Розробка та порівняння моделей глибокого навчання для сегментації супутникових зображень з метою локалізації ерозії грунтів / І. О. Багмут, В. С. Фігурська // Вісник Національного технічного університету "ХПІ". Сер. : Інноваційні дослідження у наукових роботах студентів : зб. наук. пр. = Bulletin of the National Technical University "KhPI". Ser. : Innovation researches in students’ scientific work : coll. of sci. papers / Нац. техн. ун-т "Харків. політехн. ін-т" ; гол. ред. С. І. Бухкало. – Харків : НТУ "ХПІ", 2022. – № 2 (1364). – С. 29-37.uk
dc.identifier.doidoi.org/10.20998/2220-4784.2022.02.05
dc.identifier.orcidhttps://orcid.org/0000-0002-1389-6921
dc.identifier.urihttps://repository.kpi.kharkov.ua/handle/KhPI-Press/62618
dc.language.isouk
dc.publisherНаціональний технічний університет "Харківський політехнічний інститут"uk
dc.subjectдистанційне зондуванняuk
dc.subjectсегментація зображеньuk
dc.subjectглибоке навчанняuk
dc.subjectremote sensingen
dc.subjectimage segmentationen
dc.subjectdeep learningen
dc.titleРозробка та порівняння моделей глибокого навчання для сегментації супутникових зображень з метою локалізації ерозії грунтівuk
dc.typeArticleen

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
visnyk_KhPI_2022_2_IDNRS_Bahmut_Rozrobka.pdf
Розмір:
1.93 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник № 02. Інноваційні дослідження у наукових роботах студентів