| Summary: | Uvedená diplomová práce "Klasifikace UAV hyperspektrálních (HS) obrazových dat s využitím metod hlubokého učení" se v obecné rovině věnuje klasifikačním metodám hyperspektrálních snímků. Ve své rešeršní části diplomová práce podává obecný přehled metod konvolučních neuronových sítí. Na základě toho je sestaven přehledný rámec jako podklad pro vytipování vhodné metody pro tuto práci. Vybrány jsou dvě metody s otevřeným řešením v jazyce Python. Zvolenými metodami jsou Capsule Network a U-Net. Cílem práce je ověřit vhodnost těchto metod pro klasifikaci hyperspektrálních snímků krkonošské tundry s vysokým prostorovým rozlišením. Dílčím cílem je i příprava vstupních HS (54 pásem, 9 cm) dat do vhodné podoby pro vstup do sítě. Vzhledem ke složitosti architektury nebylo dosaženo všech požadovaných výsledků u metody Capsule Network. Pro účely porovnání a ověření výsledků byla použita metoda U-Net. Ta dosáhla přesnějších výsledků oproti hodnotám získávaným tradičními metodami (SVM, ML, RF a další), kdy celková přesnost byla u U-Net vyšší než 90% a u ostatních zmiňovaných metod OA nepřesáhla 88%. Zejména třídy suť a kleč vyšly výrazně přesněji než všechny ostatní třídy (UA - user's accuracy a PA - producer's accuracy přes 99%). Klíčová slova Hluboké učení, konvoluční neuronové sítě, hyperspektrální snímky,. Diploma thesis "Classification of UAV hyperspectral images using deep learning methods" focuses on the classification methods, namely convolutional neural networks (CNN), of hyperspectral (HS) images. Based on a thorough literature review, a comprehensive overview on CNN utilisation in remote sensing is assembled as a basis for identifying suitable methods for the specific task of this thesis. Two methods with an open solution in programming language Python were selected - Capsule Network and U-Net. The main aim of this work is to verify the suitability of chosen methods for the classification of hyperspestral images. The images were acquired by sensors with high spatial resolution carried by a UAV over Krkonoše Mts. tundra. Important step was to prepare input HS data (54 bands, 9cm) to have suitable form for entering the network. Not all the required results were achieved due to the complexity of the Capsule Network architecture. The U-Net method was used in purpose of comparing and verifying the results. Accuracies retrieved from the U-Net overcome results achieved by traditionally used machine learning methods (SVM, ML, RF, etc). Overall accuracy for U-Net was higher than 90% where other mentioned methods did not get over 88%. Especially classes block fields and dwarf pine achieved higher. Department of Applied Geoinformatics and Cartography Katedra aplikované geoinformatiky a kartografie Faculty of Science Přírodovědecká fakulta
|
|---|