Back to search

National and Kapodistrian University of Athens

Ship Detection in Satellite Imagery Implemented on Convolutional Neural Networks

Abstract

dc:description

Η ανάγκη για γρήγορο εντοπισμό των πλοίων σε δορυφορικές φωτογραφίες γίνεται ολοένα και πιο σημαντική για διάφορους κοινωνικούς καθώς και τεχνικούς λόγους. Ο εντοπισμός αντικειμένων σε εικόνες αποτελεί ένα γνωσιακό πεδίο της ψηφιακής επεξεργασίας σήματος στο οποίο οι τεχνικές μηχανικής μάθησης αποδίδουν σε μεγάλο βαθμό. Έτσι λοιπόν, στην παρούσα έρευνα εφαρμόζονται οι τεχνικές αυτές στην επίλυση του συγκεκριμένου προβλήματος. Συγκεκριμένα, αναπτύχθηκαν τεχνικές βαθιάς μάθησης με αρχικό σκοπό την κατηγοριοποίηση του αντικειμένου αποτελούμενα από συνελικτικά νευρωνικά δίκτυα τα οποία αναλαμβάνουν να αναλύσουν μια δοσμένη εικόνα εισόδου και να αποφανθούν για το αν η εν λόγω εικόνα περιέχει η όχι ένα πλοίο με πολύ μεγάλη ακρίβεια. Στη συνέχεια, για την ολοκλήρωση του σκοπού (εντοπισμός πλοίου σε εικόνα), η τεχνική του συρόμενου παραθύρου αναλύθηκε στην οποία μια μεγάλη εικόνα χωρίζεται σε πολλά μικρά τμήματα τα οποία περνάνε από το νευρωνικό δίκτυο. Αν το νευρωνικό δίκτυο αποφανθεί πως στο τμήμα αυτό περιέχεται ένα πλοίο, τότε αφού είναι γνωστό σε ποιο τμήμα ανήκει, είναι γνωστή και η θέση του πλοίου. Όμως η παραπάνω τεχνική είχε ως μεγάλο μειονέκτημα τον μεγάλο χρόνο εκτέλεσης. Για να μειωθεί αυτός ο χρόνος, χρησιμοποιήθηκε η τεχνική YOLO, η οποία αποτελεί ένα συνελικτικό νευρωνικό δίκτυο που αναλαμβάνει τον εντοπισμό και χαρακτηρισμό ενός αντικειμένου. Το νευρωνικό δίκτυο αυτό καταφέρνει να επεξεργαστεί την αρχική εικόνα σε χρόνους τάξης μεγέθους μικρότερους από την τεχνική της ολίσθησης. Ωστόσο, οδηγεί στην μείωση της ακρίβειας της κατηγοριοποίησης. Τελικώς, αναπτύχθηκε μια λύση, η οποία συνδυάζει τις δυο αυτές τεχνικές, χρησιμοποιώντας το δίκτυο YOLO ως αλγόριθμο που παράγει περιοχές ενδιαφέροντος και το απλό συνελικτικό δίκτυο ως αλγόριθμο για την τελική κατηγοριοποίηση. Οπότε ως τελικό αποτέλεσμα έχουμε έναν αλγόριθμο ο οποίος έχει και μεγάλη ταχύτητα εκτέλεσης αλλά και μεγάλη ακρίβεια στις προβλέψεις του.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Λουρόπουλος Αλέξανδρος
  • Louropoulos Alexandros

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:2880767

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Λουρόπουλος Αλέξανδρος; Louropoulos Alexandros. Ship Detection in Satellite Imagery Implemented on Convolutional Neural Networks. 2019. https://pergamos.lib.uoa.gr/uoa/dl/object/2880767