prikaz prve stranice dokumenta Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja
No public access
master's thesis
Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. urn:nbn:hr:168:852889
Bašić, Stjepan
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Bašić, S. (2022). Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:852889

Bašić, Stjepan. "Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:852889

Bašić, Stjepan. "Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:852889

Bašić, S. (2022). 'Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 26 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:852889

Bašić S. Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2022 [cited 2024 December 26] Available at: https://urn.nsk.hr/urn:nbn:hr:168:852889

S. Bašić, "Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:168:852889

Metadata
TitleEkstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja
Title (english)Extraction of Geospatial Data froam Aerial Images Using Deep Learning Techniques
AuthorStjepan Bašić
MentorTomislav Hrkać (mentor)
Committee memberTomislav Hrkać (predsjednik povjerenstva)
Committee memberSiniša Šegvić (član povjerenstva)
Committee memberZoran Kalafatić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2022-07-11, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
U ovom radu predstavljeni su rezultati te proces izrade modela dubokog učenja za semantičku segmentaciju pokrova tla u 6 klasa kojemu su ulazni podaci dronske snimke ljudskih naselja. Obrada i priprema ulaznih podataka vršena je u alatu ArcGis Pro, a krajnji model je pogodan za korištenje i primjenu u istom alatu. Ulaz u model je slika rezolucije 256x256 gdje jedan slikovni element odgovara stvarnoj površini 30x30 centimetara. Korištene klase pokrova su: Zgrada, Visoka Vegetacija, Niska Vegetacija, Otvoreno, Popločeno i Voda. Korištena arhitektura temeljena je na mreži U-Net s ResNet50 enkoderskim dijelom. Istrenirani model pokazao je vrlo dobre rezultate uz preciznost na validacijskom skupu od 95.38% te težinski prosjek IoU metrike od 0.9112.
Abstract (english)
This paper presents the results and the process of developing a deep learning model for semantic segmentation of land cover in 6 classes where human settlement drone shots are the input data. Data preprocessing and preparation was performed in ArcGis Pro software, and the final model can be deployed and used within it. The model input is a 256x256 pixel resolution image where one picture element corresponds to a real-world area of 30x30 centimeters. Land cover classes used were Building, High Vegetation, Low Vegetation, Open Terrain, Paved Area and Water Surface. The model is based on U-Net network architecture with a ResNet50 encoder. The final trained model showed promising results with validation set accuracy of 95.38% and a weighted average IoU score of 0.9112.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:852889
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-13 14:30:13