Визначення об’єктів на супутникових знімках за допомогою PyTorch
| dc.contributor.author | Міщенко, Максим Станіславович | uk_UA |
| dc.contributor.author | Гнатушенко, Вікторія Володимирівна | uk_UA |
| dc.date.accessioned | 2025-03-13T16:45:15Z | |
| dc.date.available | 2025-03-13T16:45:15Z | |
| dc.date.issued | 2024 | |
| dc.description | Вік. Гнатушенко: ORCID 0000-0001-5304-4144 | uk_UA |
| dc.description.abstract | UKR: Дана робота присвячена розробці нейронної мережі для класифікації супутникових знімків Землі за чотирма класами: вода, піски, хмари та зелена місцевість (ліси, поля, скупчення рослин). Для цього використовується Python-бібліотека PyTorch, орієнтована на застосування глибинного навчання для задач комп'ютерного зору. Запропонований підхід дозволяє автоматично класифікувати супутникові знімки, полегшуючи аналіз великих обсягів даних, його було протестовано на супутникових знімках Sentinel-2, отриманих з березня по серпень 2023 року для деяких частин Херсонської та Миколаївської областей, Україна, та отримано загальну точність 95%. Результати дослідження є корисними для спеціалістів у галузях дистанційного зондування Землі, комп'ютерного зору, машинного навчання та розробки програмного забезпечення для аналізу аерокосмічних зображень. | uk_UA |
| dc.description.abstract | ENG: This paper is devoted to the development of a neural network for classifying satellite images of the Earth into four classes: water, sands, clouds, and green areas (forests, fields, and plant clusters). For this purpose, the Python library PyTorch is used, which is focused on the application of deep learning for computer vision tasks. 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 some parts of Kherson and Mykolaiv regions, Ukraine, and achieved an overall accuracy of 95%. The results of the study are useful for specialists in the fields of remote sensing, computer vision, machine learning, and aerospace image analysis software development. | en |
| dc.identifier.citation | Міщенко М. С., Гнатушенко Вік. В. Визначення об’єктів на супутникових знімках за допомогою PyTorch. Інформаційні технології в металургії та машинобудуванні – ІТММ’2024 : тези доп. Міжнародної наук.-техн. конф. (м. Дніпро, 10–11 квітня 2024 р.). Дніпро, 2024. C. 508–511. DOI: https://doi.org/10.34185/1991-7848.itmm.2024.01.098. | uk_UA |
| dc.identifier.doi | https://doi.org/10.34185/1991-7848.itmm.2024.01.098 | en |
| dc.identifier.issn | 2708-0102 (Online) | |
| dc.identifier.uri | https://journals.nmetau.edu.ua/index.php/itmm/article/view/1836 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/19781 | en |
| dc.language.iso | uk | |
| dc.publisher | Український державний університет науки і технологій, ІВК «Системні технології», Дніпро | uk_UA |
| dc.subject | супутникові знімки | uk_UA |
| dc.subject | розпізнавання образів | uk_UA |
| dc.subject | комп'ютерний зір | uk_UA |
| dc.subject | машинне навчання | uk_UA |
| dc.subject | глибинне навчання | uk_UA |
| dc.subject | PyTorch | en |
| dc.subject | aerial imagery | en |
| dc.subject | image recognition | en |
| dc.subject | Python | en |
| dc.subject | computer vision | en |
| dc.subject | machine learning | en |
| dc.subject | deep learning | en |
| dc.subject | КІТС | uk_UA |
| dc.subject.classification | TECHNOLOGY::Information technology::Image analysis | en |
| dc.title | Визначення об’єктів на супутникових знімках за допомогою PyTorch | uk_UA |
| dc.title.alternative | Detecting Objects on Satellite Images Using PyTorch | en |
| dc.type | Thesis | en |