Automatinė aerofotografinių nuotraukų analizė taikant giliojo mokymosi metodus
Santrauka
Šiame darbe buvo tiriamos automatinės aerofotografinių nuotraukų analizės, taikant giliojo mokymosi metodus, galimybės. Tikslui pasiekti buvo įvykdyti šie uždaviniai: atlikta automatinės aerofotografinių nuotraukų analizės metodų analitinė apžvalga. Atrinkti giliojo mokymosi metodai, perspektyvūs taikyti automatinei aerofotografinių nuotraukų analizei. Įgyvendinti ir eksperimentiškai ištirti modernūs segmentavimo modeliai, taikytini aerofotografinėms nuotraukoms segmentuoti. Dėl nagrinėjamų vaizdų sudėtingumo, objektų įvairovės ir kitų iššūkių, dabartiniams dirbtinio intelekto ir mašininio mokymosi metodams trūksta tikslumo, todėl nuotolinio aptikimo srityje priimant sprendimus vis dar reikia naudoti žmogaus intelektą. This work reviews capabilities of deep learning-based methods for automatic analysis of aerial images. To reach the goal, the following tasks were completed: analytical review of methods for automatic analysis of aerial images. Selection of viable deep learning methods for automatic aerial images analysis. Experimental study and practical implementation of state-of-the-art segmentation models for aerial images segmentation. Due to complexity of aerial images, diversity of objects and other challenges, current methods of artificial intelligence and machine learning lack precision and therefore human intelligence still needs to be used in remote sensing applications.