Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/38341Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Μπέλλος, Λάμπρος | el |
| dc.contributor.author | Bellos, Lampros | en |
| dc.date.accessioned | 2024-09-02T11:11:29Z | - |
| dc.date.available | 2024-09-02T11:11:29Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/38341 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.18047 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Ανίχνευση αντικειμένων | el |
| dc.subject | Object detection | en |
| dc.title | Ανίχνευση αντικειμένων από δορυφορικές εικόνες με χρήση τεχνικών μηχανικής μάθησης | el |
| dc.title | Object Detection From Satellite Imagery Using Machine Learning Techniques | en |
| dc.type | masterThesis | en |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Μηχανική Όραση | - |
| heal.classification | Computer Vision | - |
| heal.dateAvailable | 2024-09-02T11:12:30Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2024-08 | - |
| heal.abstract | Οι δορυφορικές εικόνες διαδραματίζουν κρίσιμο ρόλο στη διαμόρφωση της κατανόησής μας για τον κόσμο, παρέχοντας πληθώρα πληροφοριών που δεν μπορούν να ληφθούν από κάμερες στο επίπεδο του εδάφους. Η δορυφορική απεικόνιση αποκτά ολοένα και μεγαλύτερη σημασία σε πολλές εφαρμογές όπως η απομακρυσμένη επιτήρηση, η περιβαλλοντική παρακολούθηση, η εναέρια έρευνα. Όλες αυτές οι εφαρμογές περιλαμβάνουν την αναζήτηση αντικειμένων, γεγονότων ενδιαφέροντος, εγκαταστάσεων από τις δορυφορικές εικόνες. Στις περισσότερες από αυτές, η χειροκίνητη ανίχνευση και ταξινόμηση αντικειμένων καθίσταται πολύ δύσκολη, ιδίως με τους μεγάλους όγκους δεδομένων και τον αριθμό των προς επεξεργασία δορυφορικών εικόνων. Επιπρόσθετα, τα αντικείμενα είναι μικρά και τα οπτικά χαρακτηριστικά τους είναι εξαιρετικά δύσκολα να εντοπιστούν και να καταγραφούν, γεγονός που καθιστά την προσπάθεια ακόμη πιο δυσχερή. Για το σκοπό αυτό διάφορες αυτοματοποιημένες τεχνικές μηχανικής μάθησης για την ανίχνευση και ταξινόμηση έχουν προταθεί και βρίσκονται σε εξέλιξη. Από αυτές τις μεθόδους, οι μέθοδοι βαθιάς μάθησης με τη χρήση νευρωνικών δικτύων είναι οι πλέον διαδεδομένες τα τελευταία χρόνια. Περιλαμβάνουν την εξαγωγή διαφόρων χαρακτηριστικών από τις εικόνες και την ταξινόμησή τους με τη χρήση ταξινομητών μηχανικής μάθησης. Στόχος της παρούσης διπλωματικής εργασίας είναι η αξιολόγηση του αλγορίθμου YOLO και των διαφορετικών μοντέλων του, ως μια μεθοδολογία για την αναγνώριση αντικειμένων σε δορυφορικές εικόνες. | el |
| heal.abstract | Satellite images play a crucial role in shaping our understanding of the world, providing a wealth of information that cannot be obtained from cameras at ground level. Satellite imagery is becoming increasingly important in many applications such as remote sensing, environmental monitoring, aerial survey. All these applications involve searching for objects, events of interest, facilities from satellite images. In most of them, manual detection and classification of objects becomes very difficult, especially with the large volumes of data and the number of satellite images to be processed. In addition, the objects are small, and their visual characteristics are extremely difficult to detect and record, which makes the effort even more difficult. To this end, various automated machine learning techniques for detection and classification have been proposed and are currently under development. Of these methods, deep learning methods using neural networks are the most widespread in recent years. They involve extracting various features from images and classifying them using machine learning classifiers. The aim of this thesis is to evaluate the YOLO algorithm and its different models as a methodology for object recognition in satellite images. | en |
| heal.advisorName | Καρβέλης, Πέτρος | el |
| heal.committeeMemberName | Καρβέλης, Πέτρος | el |
| heal.committeeMemberName | Γκόγκος, Χρήστος | el |
| heal.committeeMemberName | Γιαννακέας, Νικόλαος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 95 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε ΜΠΕΛΛΟΣ ΛΑΜΠΡΟΣ (2024).pdf | 5.87 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
