aalto1 untyped-item.component.html
Automatic identification of roads in remote sensing imagery
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Business |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Degree programme
Language
en
Pages
71
Series
Abstract
This master’s thesis aims to investigate whether the accessibility of automatic road identification systems can be increased by introducing model configurations whose training does not require state-of-the-art computational capabilities. Automatic road identification in remote sensing imagery can be used in various different practical contexts which is why it is interesting to research from different angles whether it is possible to achieve lower computational costs without sacrificing model performance. This is investigated by conducting a comparative study where five model candidates are trained. The model candidates vary with respect to architecture and data augmentation and additionally, a transfer learning framework is considered. Finally, a visual analysis on the models’ ability to generalize to global satellite data is conducted.
The findings of this study suggest that conventional U-net based convolutional neural networks are capable of reaching very good out-of-sample performance in road identification tasks. The results indicate that data augmentation and transfer learning can be used as means to reduce the number of epochs needed to train the road identification models reducing computational complexity and thus improving accessibility without jeopardizing performance too much. Based on visual analysis, models trained using local remote sensing data are able to identify roads in a global context which further advances accessibility of such models since annotated training data is scarce.
Tämän pro gradu -tutkielman tavoitteena on selvittää, voidaanko automaattisten teiden tunnistusjärjestelmien saavutettavuutta parantaa käyttämällä mallikonfiguraatioita, joiden kouluttaminen ei vaadi huipputason laskentakapasiteettia. Automaattista teiden tunnistamista kaukokartoituskuvista voidaan hyödyntää monissa eri käytännön sovelluksissa, minkä vuoksi on kiinnostavaa tutkia eri näkökulmista, onko mahdollista saavuttaa alhaisemmat laskentakustannukset ilman, että mallin suorituskyky heikkenee. Tämän selvittämiseksi tutkielmassa toteutetaan vertaileva tutkimus, jossa koulutetaan viisi malliehdokasta. Mallit eroavat toisistaan arkkitehtuurin ja datan augmentoinnin suhteen. Lisäksi tutkimuksessa tarkastellaan siirto-oppimisen viitekehystä. Lopuksi suoritetaan visuaalinen analyysi mallien kyvystä tunnistaa tieverkostoa globaalista satelliittidatasta.
Tutkimuksen tulokset osoittavat, että perinteiset U-net-pohjaiset konvoluutioneuroverkot voivat saavuttaa erittäin hyvän suorituskyvyn teiden tunnistustehtävissä. Tulosten perusteella datan augmentointia ja siirto-oppimista voidaan hyödyntää vähentämään mallin kouluttamiseen tarvittavien epookkien määrää, mikä alentaa laskennallisia kustannuksia ja parantaa mallien saavutettavuutta ilman, että suorituskyky heikkenee merkittävästi. Visuaalisen analyysin perusteella paikallisella kaukokartoitusdatalla koulutetut mallit pystyvät tunnistamaan teitä myös globaalissa kontekstissa, mikä edelleen parantaa tällaisten mallien saavutettavuutta, koska annotoitua harjoitusdataa on saatavilla niukasti.