dc.contributor.advisor	Szabó, Szilárd
dc.contributor.author	Abriha, Dávid
dc.contributor.department	Földtudományok Doktori Iskola	hu
dc.contributor.submitterdep	Debreceni Egyetem::Természettudományi és Technológiai Kar::Földtudományi Intézet::Természetföldrajzi és Geoinformatikai Tanszék
dc.date.accessioned	2023-05-21T19:51:50Z
dc.date.available	2023-05-21T19:51:50Z
dc.date.defended	2023-06-14
dc.date.issued	2023	hu
dc.description.abstract	Munkám során a célom elsőként különböző tetőfedő anyagok osztályozhatóságának a vizsgálata volt, eltérő körülmények között. Egy kiválasztott mintaterületen a három leggyakrabban előforduló tetőfedő típust vontam be az osztályozásba, melyet WorldView-2 műholdfelvétel alapján végeztem el. Következő lépésként megvizsgáltam, hogy az osztályozások során a területi autokorreláció milyen hatást gyakorol a modellek pontosságára. A kutatásom során szintén célom volt megvizsgálni, hogy a relatívan olcsón előállítható vagy beszerezhető felvételeken végzett, modern, mély konvolúciós neurális hálózatokon alapuló objektum detektálás milyen pontossággal alkalmazható épületek kinyerésére.
dc.description.abstract	In my work, I first investigated the separability of different roofing materials under different conditions. I selected the three most common roofing types in a selected study area, and performed classification based on a WorldView-2 satellite image. I then examined the effect of spatial autocorrelation on the accuracy of the models during classification. Additionally, my research aims to examine the accuracy of object detection based on deep convolutional neural networks on relatively inexpensive or easily obtainable images for building extraction.
dc.description.corrector	hbk
dc.format.extent	89
dc.identifier.uri	https://hdl.handle.net/2437/353949
dc.language.iso	hu
dc.language.iso	en
dc.subject	távérzékelés
dc.subject	képosztályozás
dc.subject	épület szegmentáció
dc.subject	pontosságellenőrzés
dc.subject	remote sensing
dc.subject	image classification
dc.subject	building segmentation
dc.subject	accuracy assessment
dc.subject	U-Net
dc.subject.discipline	Földtudományok	hu
dc.subject.sciencefield	Természettudományok	hu
dc.title	Gépi és mély tanulási eljárások alkalmazása a városi környezet vizsgálatában, nagyfelbontású és különböző dimenziójú távérzékelt adatok alapján
dc.title.translated	Application of machine and deep learning approaches for urban environment analysis using high-resolution and multidimensional remote sensing data
dc.type	PhD, doktori értekezés	hu

Gépi és mély tanulási eljárások alkalmazása a városi környezet vizsgálatában, nagyfelbontású és különböző dimenziójú távérzékelt adatok alapján

Fájlok

Eredeti köteg (ORIGINAL bundle)

Engedélyek köteg

Gyűjtemények