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

A tétel rövid nézete
dc.contributor.advisorSzabó, Szilárd
dc.contributor.authorAbriha, Dávid
dc.contributor.departmentFöldtudományok Doktori Iskolahu
dc.contributor.submitterdepDebreceni Egyetem::Természettudományi és Technológiai Kar::Földtudományi Intézet::Természetföldrajzi és Geoinformatikai Tanszék
dc.date.accessioned2023-05-21T19:51:50Z
dc.date.available2023-05-21T19:51:50Z
dc.date.created2023
dc.date.defended2023-06-14
dc.description.abstractMunkám 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.abstractIn 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.correctorhbk
dc.format.extent89
dc.identifier.urihttps://hdl.handle.net/2437/353949
dc.language.isohu
dc.language.isoen
dc.subjecttávérzékelés
dc.subjectképosztályozás
dc.subjectépület szegmentáció
dc.subjectpontosságellenőrzés
dc.subjectremote sensing
dc.subjectimage classification
dc.subjectbuilding segmentation
dc.subjectaccuracy assessment
dc.subjectU-Net
dc.subject.disciplineFöldtudományokhu
dc.subject.sciencefieldTermészettudományokhu
dc.titleGépi és mély tanulási eljárások alkalmazása a városi környezet vizsgálatában, nagyfelbontású és különböző dimenziójú távérzékelt adatok alapján
dc.title.translatedApplication of machine and deep learning approaches for urban environment analysis using high-resolution and multidimensional remote sensing data
Fájlok
Eredeti köteg (ORIGINAL bundle)
Megjelenítve 1 - 3 (Összesen 3)
Nem elérhető
Név:
Doktori disszertáció
Méret:
3.76 MB
Formátum:
Adobe Portable Document Format
Letöltés
Nem elérhető
Név:
Tézisfüzet.pdf
Méret:
2.73 MB
Formátum:
Adobe Portable Document Format
Letöltés
Nem elérhető
Név:
Abriha_Dávid_meghívó.docx.pdf
Méret:
640.8 KB
Formátum:
Adobe Portable Document Format
Letöltés
Engedélyek köteg
Megjelenítve 1 - 1 (Összesen 1)
Nem elérhető
Név:
license.txt
Méret:
1.93 KB
Formátum:
Item-specific license agreed upon to submission
Leírás:
Letöltés
Gyűjtemények
Földtudományok Doktori Iskola