Определение высоты объектов по одиночным спутниковым снимкам
Аннотация
Выпускная квалификационная работа посвящена обучению моделей глубокого обучения для автоматической разметки высот на спутниковых снимках. Объекты исследования - сверточная нейронная сеть ZoeDepth и набор данных Urban Semantic 3D Dataset (US3D), применяемый для обучения и оценки модели. Цель работы - разработка и обучение нейронной сети для автоматической генерации карт высот на основе спутниковых снимков.
Методология включает анализ существующих решений, подготовку и
предобработку данных из набора US3D, анализ и доработка архитектуры сверточной нейронной сети ZoeDepth, обучение модели и анализ результатов. В результате работы была выполнена модификация и обучена модель ZoeDepth, генерирующая карты высот, а также проведен анализ точности модели и выявлены примеры удачной и неудачной работы. Качество сети поднято с R2 = - 204.39, MAE = 9.446, RMSE = 13.252 до R2 = -2.399, MAE = 111.438, RMSE = 5.192.
Новизна работы заключается в адаптации сети ZoeDepth для разметки высот объектов над уровнем земли (AGL) на данных US3D. Исследование также включает анализ результатов работы сети, что способствует дальнейшему улучшению методов машинного обучения в этой области.
В процессе работы были использованы следующие технологии: язык программирования Python, библиотека PyTorch, платформа для управления экспериментами Weights & Biases (wandb) и вычислительный кластер.
Методология включает анализ существующих решений, подготовку и
предобработку данных из набора US3D, анализ и доработка архитектуры сверточной нейронной сети ZoeDepth, обучение модели и анализ результатов. В результате работы была выполнена модификация и обучена модель ZoeDepth, генерирующая карты высот, а также проведен анализ точности модели и выявлены примеры удачной и неудачной работы. Качество сети поднято с R2 = - 204.39, MAE = 9.446, RMSE = 13.252 до R2 = -2.399, MAE = 111.438, RMSE = 5.192.
Новизна работы заключается в адаптации сети ZoeDepth для разметки высот объектов над уровнем земли (AGL) на данных US3D. Исследование также включает анализ результатов работы сети, что способствует дальнейшему улучшению методов машинного обучения в этой области.
В процессе работы были использованы следующие технологии: язык программирования Python, библиотека PyTorch, платформа для управления экспериментами Weights & Biases (wandb) и вычислительный кластер.