Класифікація екооб’єктів на супутникових зображеннях за допомогою PyTorch
| dc.contributor.author | Міщенко, Максим Станіславович | uk_UA |
| dc.contributor.author | Гнатушенко, Вікторія Володимирівна | uk_UA |
| dc.contributor.author | Сінгер, Анастасія-Джей Володимирівна | uk_UA |
| dc.date.accessioned | 2024-06-05T06:04:41Z | |
| dc.date.available | 2024-06-05T06:04:41Z | |
| dc.date.issued | 2024 | |
| dc.description | Вік. Гнатушенко: ORCID 0000-0001-5304-4144 | uk_UA |
| dc.description.abstract | UKR: У статті наведена практична реалізація алгоритму класифікації екооб’єктів на супутникових зображеннях з використанням бібліотеки глибинного навчання PyTorch. Метою дослідження є підвищення якості класифікації об’єктів на цифрових зображеннях завдяки розробці та використанню моделі нейронної мережі. Запропонований підхід дозволяє класифікувати воду, піски, хмари та зелену місцевість на супутникових знімках, полегшуючи аналіз великих обсягів даних та отримано середню точність 95%. Його було протестовано на супутникових знімках Sentinel-2, отриманих з березня по серпень 2023 року для деяких частин Херсонської та Миколаївської областей, Україна. Для навчання моделі використовується попередньо натренована архітектура ResNet. Представлене дослідження демонструє практичне використання сучасних методів глибинного навчання, зокрема бібліотеки PyTorch, для вирішення актуальних завдань аналізу та класифікації об’єктів на супутникових знімках. | uk_UA |
| dc.description.abstract | ENG: This article presents a practical implementation of the satellite image classification task using the PyTorch deep learning library. The aim of the work is to develop a neural network model capable of classifying satellite images into four classes: water, sands, clouds, and greenery. The model is trained using the pre-trained ResNet architecture. The proposed approach allows for automatic classification of satellite images, facilitating the analysis of large amounts of data, and has been tested on Sentinel-2 satellite images acquired from March to August 2023 for parts of Kherson and Mykolaiv regions, Ukraine, and achieved an average accuracy of 95%. The presented research demonstrates the practical use of modern deep learning methods, in particular the PyTorch library, to solve actual problems of satellite image analysis and classification. | en |
| dc.identifier.citation | Міщенко М. С., Гнатушенко Вік. В., Сінгер А.-Д. В. Класифікація екооб’єктів на супутникових зображеннях за допомогою PyTorch. Системні технології. Дніпро, 2024. Т. 4, № 153. С. 102–109. DOI: 10.34185/1562-9945-4-153-2024-10. | uk_UA |
| dc.identifier.doi | 10.34185/1562-9945-4-153-2024-10 | |
| dc.identifier.issn | 1562-9945 (Print) | |
| dc.identifier.issn | 2707-7977 (Online) | |
| dc.identifier.uri | https://journals.nmetau.edu.ua/index.php/st/article/view/1856 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/18697 | en |
| dc.language.iso | uk | |
| dc.publisher | Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро | uk_UA |
| dc.subject | нейронна мережа | uk_UA |
| dc.subject | супутникове зображення | uk_UA |
| dc.subject | розпізнавання | uk_UA |
| dc.subject | глибинне навчання | uk_UA |
| dc.subject | PyTorch | en |
| dc.subject | neural network | en |
| dc.subject | satellite image | en |
| dc.subject | recognition | en |
| dc.subject | deep learning | en |
| dc.subject | КІТС | uk_UA |
| dc.subject.classification | TECHNOLOGY::Information technology::Image analysis | en |
| dc.title | Класифікація екооб’єктів на супутникових зображеннях за допомогою PyTorch | uk_UA |
| dc.title.alternative | Implementation of Satelite Image Classification Using PyTorch | en |
| dc.type | Article | en |