Publikace detail

Comparative Analysis of Modern Methods for Surface Type Identification in RGB Image Data

Autoři: Příhodová Kateřina | Jech Jakub

Rok: 2024

Druh publikace: článek ve sborníku

Název zdroje: 2024 Zooming Innovation in Consumer Technologies Conference (ZINC)

Název nakladatele: IEEE (Institute of Electrical and Electronics Engineers)

Místo vydání: New York

Strana od-do: 84-89

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Srovnávací analýza moderních metod pro identifikaci typu povrchu v obrazových datech RGB	Rychlý rozvoj technologie dronů a algoritmů hlubokého učení také rozšiřuje možnosti monitorování životního prostředí, např. vyhledávání a řízení vodních ploch. Tato studie si klade za cíl využít tyto pokroky pro přesnou identifikaci typů povrchů se specifickým zaměřením na vodní útvary v obrazových datech RGB. Pomocí datového souboru složeného z leteckých snímků pořízených nad rybníkem Baroch v přírodní rezervaci v České republice je tato studie srovnávací k vyhodnocení výkonnosti modelů hlubokého učení, včetně U-Net, Pyramid Scene Parsing Network (PSPNet) a DeepLabV3 v klasifikace typů povrchů. Přesnost klasifikace je u většiny algoritmů hlubokého učení mírně přes 90 %. Tyto výsledky ukazují potenciál hlubokého učení v této oblasti. A to je klíčové pro řadu zainteresovaných stran, například státní správu, vodohospodáře, zemědělce či cestovní ruch.	Identifikace typu povrchu; Obrazová data RGB; Techniky zpracování obrazu; Algoritmy hlubokého učení; Rozpoznávání vzorů; Velmi vysoké prostorové rozlišení
eng	Comparative Analysis of Modern Methods for Surface Type Identification in RGB Image Data	The rapid development of drone technology and deep learning algorithms also expands the possibilities of environmental monitoring, e.g., the search and management of water bodies. This study aims to harness these advances for the accurate identification of surface types, with a specific focus on water bodies, in RGB image data. Using a dataset comprised of aerial images captured over the Baroch Pond within a nature reserve in the Czech Republic, this study comparative to evaluate the performance of deep learning models, including U-Net, Pyramid Scene Parsing Network (PSPNet), and DeepLabV3, in classifying surface types. The classification accuracy is slightly over 90% for most deep learning algorithms. These results show the potential of deep learning in this area. And this is key for a number of interested parties, for example, state administration, water resource managers, farmers, and tourism industry.	Surface Type Identification; RGB Image Data; Image Processing Techniques; Deep Learning Algorithms; Pattern Recognition; Very High Spatial Resolution

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte