Využití softwarových nástrojů Deep Learning v oblasti DPZ

Bc. Ondřej Mucha

Master's thesis

The use of Deep Learning software tools in the field of Remote Sensing

Abstract:

Na vybraných pilotních územích se shromaždišti ruské vojenské techniky (vozidly) bylo provedeno testování technologie Deep Learning formou trénování detekčních modelů následně schopných detekce vojenské techniky. Cílem práce bylo zjistit, zdali současné softwary a dostupná satelitní data budou pro detekci vojenské techniky dostatečně vhodné, případně který software a metoda/síť budou pro detekci vojenské techniky nejvhodnější. Praktická část práce probíhala na datech z družic SkySat disponujících půlmetrovým rozlišením, pro zpracování modelů bylo plánováno využití softwarů vhodných pro zpracování obrazových dat – ArcGIS Pro, QGIS a ENVI. Na základě provedené rešerše byla nakonec tvorba modelů provedena pouze v ArcGISu Pro. Detekční modely byly tvořeny na bázi dvou druhů konvolučních neuronových sítí – Mask R-CNN a Faster R-CNN. Modely byly učeny pro detekci vojenské techniky pouze do jedné kategorie z důvodu prostorového rozlišení dat. Výsledky přesnosti detekce obou druhů modelů prokázaly, že je lze pro detekci vojenské techniky využít. Jako vhodnější byly shledány modely vytvořené na bázi sítě Mask R-CNN, nejlepší z modelů dosáhl mAP 0,469. Pro zvýšení přesnosti detekce případně pro rozlišování jednotlivých druhů vojenské techniky by byla potřeba data s větším prostorovým rozlišením a také větší množství snímků pro učení modelů.

Abstract:

Deep Learning technology was tested on selected pilot territories with Russian military equipment (vehicles) gathering sites in terms of training detection models subsequently capable of detecting military equipment. The aim of the work was to determine whether the current software and available satellite data would be sufficiently suitable for military equipment detection, or which software and method/network would be most suitable for military equipment detection. The practical part of the work was carried out on data from SkySat satellites with half-meter resolution, for the processing of models it was planned to use softwares suitable for image data processing – ArcGIS Pro, QGIS and ENVI. Based on the research carried out, the creation of models was finally carried out only in ArcGIS Pro. Detection models were created based on two types of convolutional neural networks – Mask R-CNN and Faster R-CNN. Models were learned to detect military equipment in only one category, due to the spatial resolution of the data. The detection accuracy results of both kinds of models showed that they can be used for military equipment detection. Models based on Mask R-CNN were found to be more suitable, with the best-performing model achieving an mAP of 0,469. In order to increase the detection accuracy, or to distinguish between different types of military equipment, data with higher spatial resolution would be needed, as well as a larger number of images for model learning.

Keywords

Deep Learning, detekce objektů, konvoluční neuronové sítě, Mask R-CNN, Faster R-CNN, vojenská vozidla

Language used: Czech

Date on which the thesis was submitted / produced: 7. 5. 2024

Thesis defence

• Date of defence: 12. 6. 2024
• Supervisor: Ing. Kateřina Tajovská, Ph.D.
• Reader: Mgr. Radim Štampach, Ph.D.

Masaryk University

Faculty of Science

Master programme / field:
Cartography and geoinformatics / Cartography and geoinformatics