prikaz prve stranice dokumenta Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja
Rad nije dostupan
diplomski rad
Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. urn:nbn:hr:168:852889
Bašić, Stjepan
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Bašić, S. (2022). Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:852889

Bašić, Stjepan. "Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:852889

Bašić, Stjepan. "Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:852889

Bašić, S. (2022). 'Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 25.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:852889

Bašić S. Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2022 [pristupljeno 25.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:852889

S. Bašić, "Ekstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:852889

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:852889
Podaci o radu
NaslovEkstrakcija geoprostornih podataka iz zračnih snimaka primjenom tehnika dubokog učenja
Naslov (engleski)Extraction of Geospatial Data froam Aerial Images Using Deep Learning Techniques
AutorStjepan Bašić
MentorTomislav Hrkać (mentor)
Član povjerenstvaTomislav Hrkać (predsjednik povjerenstva)
Član povjerenstvaSiniša Šegvić (član povjerenstva)
Član povjerenstvaZoran Kalafatić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2022-07-11, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:852889
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-01-13 14:30:13