Deep Learning for semantic segmentation of airplane hyperspectral imaging

Given their success, both qualitative and quantitative, Deep Neural Networks have been used to approach classification and segmentation problems for images, especially during these last few years where it has been possible to design computers with sufficient capacity to make quick and efficient expe...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
1. Verfasser: Balibrea Rull, Mar
Format: Dissertation
Sprache:eng
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page
container_issue
container_start_page
container_title
container_volume
creator Balibrea Rull, Mar
description Given their success, both qualitative and quantitative, Deep Neural Networks have been used to approach classification and segmentation problems for images, especially during these last few years where it has been possible to design computers with sufficient capacity to make quick and efficient experiments. In this work, we will study the use of two Convolutional Neural Networks (CNNs) to segment the ground of a land section of Maspalomas' Park using an image taken by the flight of an airplane. The comparison will be made in terms of computational cost, complexity and results that will be obtained while testing different algorithms, loss functions or optimizers and also while tuning some other parameters. The results will also be compared with a past work [10] done with the same dataset but another methodology (SVM). Teniendo en cuenta su éxito, tanto cualitativo como cuantitativo, se han utilizado Redes Neuronales Profundas para abordar problemas de clasificación y segmentación de imágenes, especialmente durante estos últimos años donde se han podido diseñar ordenadores con capacidad suficiente para hacer experimentos rápidos y eficientes. En este trabajo, estudiaremos el uso de dos redes neuronales convolucionales (CNNs) para segmentar el suelo de una sección del Parque de Maspalomas mediante una imagen tomada por el vuelo de un avión. La comparación se hará en términos de coste computacional, complejidad y resultados que se obtendrán en probar diferentes algoritmos, funciones de pérdida o optimizadores y, además, ajustando algunos otros parámetros. Los resultados también se compararán con un trabajo anterior [10] realizado con el mismo conjunto de datos, pero con otra metodología (SVM). Tenint en compte el seu èxit, tant qualitatiu com quantitatiu, s'han utilitzat Xarxes Neuronals Profundes per abordar problemes de classificació i segmentació d'imatges, especialment durant aquests últims anys on s'han pogut dissenyar ordinadors amb capacitat suficient per fer experiments ràpids i eficients. En aquest treball, estudiarem l'ús de dues xarxes neuronals convolucionals (CNNs) per segmentar el sòl d'una secció del Parc de Maspalomas mitjançant una imatge presa amb el vol d'un avió. La comparació es farà en termes de cost computacional, complexitat i resultats que s'obtindran en provar diferents algorismes, funcions de pèrdua o optimitzadors i, a més, ajustant alguns altres paràmetres. Els resultats també es compararan amb un treball anterior realitzat [10] am
format Dissertation
fullrecord <record><control><sourceid>csuc_XX2</sourceid><recordid>TN_cdi_csuc_recercat_oai_recercat_cat_2072_358478</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>oai_recercat_cat_2072_358478</sourcerecordid><originalsourceid>FETCH-csuc_recercat_oai_recercat_cat_2072_3584783</originalsourceid><addsrcrecordid>eNqdi7sKAjEQRdNYiPoP8wOC7iq7vQ8ULO3DMExiIJmESSz8e1cQ7C0O99zizM31yFzgxqgSxIPLCpUTSgs0iU8sDVvIAtkBBi0RheHxKqy1MDXFCCGhn9qlmTmMlVffXZjt-XQ_XNZUn2SViZWw2Yzhdz50m6Gz_X7cDWP_T_MGGm5CZA</addsrcrecordid><sourcetype>Open Access Repository</sourcetype><iscdi>true</iscdi><recordtype>dissertation</recordtype></control><display><type>dissertation</type><title>Deep Learning for semantic segmentation of airplane hyperspectral imaging</title><source>Recercat</source><creator>Balibrea Rull, Mar</creator><creatorcontrib>Balibrea Rull, Mar</creatorcontrib><description>Given their success, both qualitative and quantitative, Deep Neural Networks have been used to approach classification and segmentation problems for images, especially during these last few years where it has been possible to design computers with sufficient capacity to make quick and efficient experiments. In this work, we will study the use of two Convolutional Neural Networks (CNNs) to segment the ground of a land section of Maspalomas' Park using an image taken by the flight of an airplane. The comparison will be made in terms of computational cost, complexity and results that will be obtained while testing different algorithms, loss functions or optimizers and also while tuning some other parameters. The results will also be compared with a past work [10] done with the same dataset but another methodology (SVM). Teniendo en cuenta su éxito, tanto cualitativo como cuantitativo, se han utilizado Redes Neuronales Profundas para abordar problemas de clasificación y segmentación de imágenes, especialmente durante estos últimos años donde se han podido diseñar ordenadores con capacidad suficiente para hacer experimentos rápidos y eficientes. En este trabajo, estudiaremos el uso de dos redes neuronales convolucionales (CNNs) para segmentar el suelo de una sección del Parque de Maspalomas mediante una imagen tomada por el vuelo de un avión. La comparación se hará en términos de coste computacional, complejidad y resultados que se obtendrán en probar diferentes algoritmos, funciones de pérdida o optimizadores y, además, ajustando algunos otros parámetros. Los resultados también se compararán con un trabajo anterior [10] realizado con el mismo conjunto de datos, pero con otra metodología (SVM). Tenint en compte el seu èxit, tant qualitatiu com quantitatiu, s'han utilitzat Xarxes Neuronals Profundes per abordar problemes de classificació i segmentació d'imatges, especialment durant aquests últims anys on s'han pogut dissenyar ordinadors amb capacitat suficient per fer experiments ràpids i eficients. En aquest treball, estudiarem l'ús de dues xarxes neuronals convolucionals (CNNs) per segmentar el sòl d'una secció del Parc de Maspalomas mitjançant una imatge presa amb el vol d'un avió. La comparació es farà en termes de cost computacional, complexitat i resultats que s'obtindran en provar diferents algorismes, funcions de pèrdua o optimitzadors i, a més, ajustant alguns altres paràmetres. Els resultats també es compararan amb un treball anterior realitzat [10] amb el mateix conjunt de dades, però amb una altra metodologia (SVM).</description><language>eng</language><publisher>Universitat Politècnica de Catalunya</publisher><subject>Aprendizaje profundo ; Artificial intelligence ; Deep learning ; Enginyeria de la telecomunicació ; Hyperspectral imaging ; Image processing ; Imatges ; Imágenes hiperespectrales ; Intel·ligència artificial ; Neural networks (Computer science) ; Procesado de imagen ; Processament ; Segmentación semántica ; Semantic segmentation ; Xarxes neuronals (Informàtica) ; Àrees temàtiques de la UPC</subject><creationdate>2019</creationdate><rights>S'autoritza la difusió de l'obra mitjançant la llicència Creative Commons o similar 'Reconeixement-NoComercial- SenseObraDerivada' info:eu-repo/semantics/openAccess &lt;a href="http://creativecommons.org/licenses/by-nc-nd/3.0/es/"&gt;http://creativecommons.org/licenses/by-nc-nd/3.0/es/&lt;/a&gt;</rights><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><link.rule.ids>230,311,780,885,26974</link.rule.ids><linktorsrc>$$Uhttps://recercat.cat/handle/2072/358478$$EView_record_in_Consorci_de_Serveis_Universitaris_de_Catalunya_(CSUC)$$FView_record_in_$$GConsorci_de_Serveis_Universitaris_de_Catalunya_(CSUC)$$Hfree_for_read</linktorsrc></links><search><creatorcontrib>Balibrea Rull, Mar</creatorcontrib><title>Deep Learning for semantic segmentation of airplane hyperspectral imaging</title><description>Given their success, both qualitative and quantitative, Deep Neural Networks have been used to approach classification and segmentation problems for images, especially during these last few years where it has been possible to design computers with sufficient capacity to make quick and efficient experiments. In this work, we will study the use of two Convolutional Neural Networks (CNNs) to segment the ground of a land section of Maspalomas' Park using an image taken by the flight of an airplane. The comparison will be made in terms of computational cost, complexity and results that will be obtained while testing different algorithms, loss functions or optimizers and also while tuning some other parameters. The results will also be compared with a past work [10] done with the same dataset but another methodology (SVM). Teniendo en cuenta su éxito, tanto cualitativo como cuantitativo, se han utilizado Redes Neuronales Profundas para abordar problemas de clasificación y segmentación de imágenes, especialmente durante estos últimos años donde se han podido diseñar ordenadores con capacidad suficiente para hacer experimentos rápidos y eficientes. En este trabajo, estudiaremos el uso de dos redes neuronales convolucionales (CNNs) para segmentar el suelo de una sección del Parque de Maspalomas mediante una imagen tomada por el vuelo de un avión. La comparación se hará en términos de coste computacional, complejidad y resultados que se obtendrán en probar diferentes algoritmos, funciones de pérdida o optimizadores y, además, ajustando algunos otros parámetros. Los resultados también se compararán con un trabajo anterior [10] realizado con el mismo conjunto de datos, pero con otra metodología (SVM). Tenint en compte el seu èxit, tant qualitatiu com quantitatiu, s'han utilitzat Xarxes Neuronals Profundes per abordar problemes de classificació i segmentació d'imatges, especialment durant aquests últims anys on s'han pogut dissenyar ordinadors amb capacitat suficient per fer experiments ràpids i eficients. En aquest treball, estudiarem l'ús de dues xarxes neuronals convolucionals (CNNs) per segmentar el sòl d'una secció del Parc de Maspalomas mitjançant una imatge presa amb el vol d'un avió. La comparació es farà en termes de cost computacional, complexitat i resultats que s'obtindran en provar diferents algorismes, funcions de pèrdua o optimitzadors i, a més, ajustant alguns altres paràmetres. Els resultats també es compararan amb un treball anterior realitzat [10] amb el mateix conjunt de dades, però amb una altra metodologia (SVM).</description><subject>Aprendizaje profundo</subject><subject>Artificial intelligence</subject><subject>Deep learning</subject><subject>Enginyeria de la telecomunicació</subject><subject>Hyperspectral imaging</subject><subject>Image processing</subject><subject>Imatges</subject><subject>Imágenes hiperespectrales</subject><subject>Intel·ligència artificial</subject><subject>Neural networks (Computer science)</subject><subject>Procesado de imagen</subject><subject>Processament</subject><subject>Segmentación semántica</subject><subject>Semantic segmentation</subject><subject>Xarxes neuronals (Informàtica)</subject><subject>Àrees temàtiques de la UPC</subject><fulltext>true</fulltext><rsrctype>dissertation</rsrctype><creationdate>2019</creationdate><recordtype>dissertation</recordtype><sourceid>XX2</sourceid><recordid>eNqdi7sKAjEQRdNYiPoP8wOC7iq7vQ8ULO3DMExiIJmESSz8e1cQ7C0O99zizM31yFzgxqgSxIPLCpUTSgs0iU8sDVvIAtkBBi0RheHxKqy1MDXFCCGhn9qlmTmMlVffXZjt-XQ_XNZUn2SViZWw2Yzhdz50m6Gz_X7cDWP_T_MGGm5CZA</recordid><startdate>201906</startdate><enddate>201906</enddate><creator>Balibrea Rull, Mar</creator><general>Universitat Politècnica de Catalunya</general><scope>XX2</scope></search><sort><creationdate>201906</creationdate><title>Deep Learning for semantic segmentation of airplane hyperspectral imaging</title><author>Balibrea Rull, Mar</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-csuc_recercat_oai_recercat_cat_2072_3584783</frbrgroupid><rsrctype>dissertations</rsrctype><prefilter>dissertations</prefilter><language>eng</language><creationdate>2019</creationdate><topic>Aprendizaje profundo</topic><topic>Artificial intelligence</topic><topic>Deep learning</topic><topic>Enginyeria de la telecomunicació</topic><topic>Hyperspectral imaging</topic><topic>Image processing</topic><topic>Imatges</topic><topic>Imágenes hiperespectrales</topic><topic>Intel·ligència artificial</topic><topic>Neural networks (Computer science)</topic><topic>Procesado de imagen</topic><topic>Processament</topic><topic>Segmentación semántica</topic><topic>Semantic segmentation</topic><topic>Xarxes neuronals (Informàtica)</topic><topic>Àrees temàtiques de la UPC</topic><toplevel>online_resources</toplevel><creatorcontrib>Balibrea Rull, Mar</creatorcontrib><collection>Recercat</collection></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext_linktorsrc</fulltext></delivery><addata><au>Balibrea Rull, Mar</au><format>dissertation</format><genre>dissertation</genre><ristype>THES</ristype><btitle>Deep Learning for semantic segmentation of airplane hyperspectral imaging</btitle><date>2019-06</date><risdate>2019</risdate><abstract>Given their success, both qualitative and quantitative, Deep Neural Networks have been used to approach classification and segmentation problems for images, especially during these last few years where it has been possible to design computers with sufficient capacity to make quick and efficient experiments. In this work, we will study the use of two Convolutional Neural Networks (CNNs) to segment the ground of a land section of Maspalomas' Park using an image taken by the flight of an airplane. The comparison will be made in terms of computational cost, complexity and results that will be obtained while testing different algorithms, loss functions or optimizers and also while tuning some other parameters. The results will also be compared with a past work [10] done with the same dataset but another methodology (SVM). Teniendo en cuenta su éxito, tanto cualitativo como cuantitativo, se han utilizado Redes Neuronales Profundas para abordar problemas de clasificación y segmentación de imágenes, especialmente durante estos últimos años donde se han podido diseñar ordenadores con capacidad suficiente para hacer experimentos rápidos y eficientes. En este trabajo, estudiaremos el uso de dos redes neuronales convolucionales (CNNs) para segmentar el suelo de una sección del Parque de Maspalomas mediante una imagen tomada por el vuelo de un avión. La comparación se hará en términos de coste computacional, complejidad y resultados que se obtendrán en probar diferentes algoritmos, funciones de pérdida o optimizadores y, además, ajustando algunos otros parámetros. Los resultados también se compararán con un trabajo anterior [10] realizado con el mismo conjunto de datos, pero con otra metodología (SVM). Tenint en compte el seu èxit, tant qualitatiu com quantitatiu, s'han utilitzat Xarxes Neuronals Profundes per abordar problemes de classificació i segmentació d'imatges, especialment durant aquests últims anys on s'han pogut dissenyar ordinadors amb capacitat suficient per fer experiments ràpids i eficients. En aquest treball, estudiarem l'ús de dues xarxes neuronals convolucionals (CNNs) per segmentar el sòl d'una secció del Parc de Maspalomas mitjançant una imatge presa amb el vol d'un avió. La comparació es farà en termes de cost computacional, complexitat i resultats que s'obtindran en provar diferents algorismes, funcions de pèrdua o optimitzadors i, a més, ajustant alguns altres paràmetres. Els resultats també es compararan amb un treball anterior realitzat [10] amb el mateix conjunt de dades, però amb una altra metodologia (SVM).</abstract><pub>Universitat Politècnica de Catalunya</pub><oa>free_for_read</oa></addata></record>
fulltext fulltext_linktorsrc
identifier
ispartof
issn
language eng
recordid cdi_csuc_recercat_oai_recercat_cat_2072_358478
source Recercat
subjects Aprendizaje profundo
Artificial intelligence
Deep learning
Enginyeria de la telecomunicació
Hyperspectral imaging
Image processing
Imatges
Imágenes hiperespectrales
Intel·ligència artificial
Neural networks (Computer science)
Procesado de imagen
Processament
Segmentación semántica
Semantic segmentation
Xarxes neuronals (Informàtica)
Àrees temàtiques de la UPC
title Deep Learning for semantic segmentation of airplane hyperspectral imaging
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-08T01%3A16%3A29IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-csuc_XX2&rft_val_fmt=info:ofi/fmt:kev:mtx:dissertation&rft.genre=dissertation&rft.btitle=Deep%20Learning%20for%20semantic%20segmentation%20of%20airplane%20hyperspectral%20imaging&rft.au=Balibrea%20Rull,%20Mar&rft.date=2019-06&rft_id=info:doi/&rft_dat=%3Ccsuc_XX2%3Eoai_recercat_cat_2072_358478%3C/csuc_XX2%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true