國立虎尾科技大學 |

Hyperspectral Image Classification of Satellite Images Using Compressed Neural Networks.

紀錄類型:	書目-語言資料,手稿 : Monograph/item
正題名/作者:	Hyperspectral Image Classification of Satellite Images Using Compressed Neural Networks./
作者:	Rychlewski, Daniel.
面頁冊數:	1 online resource (139 pages)
附註:	Source: Masters Abstracts International, Volume: 82-05.
Contained By:	Masters Abstracts International82-05.
標題:	Mathematics. -
電子資源:	click for full text (PQDT)
ISBN:	9798691202933

Hyperspectral Image Classification of Satellite Images Using Compressed Neural Networks.
Rychlewski, Daniel.

Hyperspectral Image Classification of Satellite Images Using Compressed Neural Networks. - 1 online resource (139 pages)

Source: Masters Abstracts International, Volume: 82-05.

Thesis (Master's)--Humboldt Universitaet zu Berlin (Germany), 2019.

Includes bibliographical references

Convolutional Neural Networks haben sich in den letzten Jahren als erfolgreiches Mittel zur hyperspektralen Klassifizierung von Bildern herausgestellt. Der grosere Spektralbereich und die hohere Prazision hyperspektraler Bilder verglichen mit RGB-Bildern sind z.B. fur Satellitenbilder nutzlich. Allerdings stellt die grose Anzahl an Bildkanalen, die oftmals redundant sind, eine Herausforderung fur eine performante Bildklassifizierung dar. Zusatzlich zeigt das Hughes-Phanomen, dass die Anzahl an Bildkanalen nicht notwendigerweise eine hohere Genauigkeit zufolge hat, nachdem eine bestimmte Anzahl erreicht ist. Daruber hinaus ist das Erfassen von Ground-Truth-Daten aufwendig und komplex, sodass die verfugbaren Trainingdaten oft nicht gros genug sind (Fluch der Dimensionalitat). Deshalb beschaftigt sich diese Arbeit mit Methoden zur Dimensionsreduktion und deren Auswirkung auf verschiedenen Ebenen.Auf der einen Seite gibt es Verfahren zur Merkmalsauswahl und -extraktion, um nur die wichtigsten Bildkanale auszuwahlen oder die existierenden so zu transformieren, dass weniger ubrig bleiben. Auf der anderen Seite konnen die neuronalen Netzwerke, die die Bildklassifizierung durchfuhren, mit Verfahren wie Parameter Pruning und Post-Training Quantization komprimiert werden, mit denen sich die Arbeit befasst. Im Anschluss werden beide Ebenen der Kompression kombiniert, um den Tradeoff zwischen komprimierten Bildkanalen und einem komprimierten neuronalen Netzwerk hinsichtlich relevanter Parameter wie RAM-/VRAM-Verbrauch und Inferenzzeit zu analysieren. Zum Schluss werden Saliency Maps und Activation Maps als Visualisierungstechniken verwendet, um die semantischen Auswirkungen der Kompressionen auf das neuronale Netzwerk nachzuvollziehen zu versuchen.

Electronic reproduction.
Ann Arbor, Mich. :
ProQuest,
2024

Mode of access: World Wide Web

ISBN: 9798691202933Subjects--Topical Terms:

527692
Mathematics.
Subjects--Index Terms:

Average accuracyIndex Terms--Genre/Form:

554714
Electronic books.

Hyperspectral Image Classification of Satellite Images Using Compressed Neural Networks.
LDR:04674ntm a22003737 4500 001 1149012
005 20240930130027.5
006 m o d
007 cr bn ---uuuuu
008 250605s2019 xx obm 000 0 eng d
020 $a 9798691202933
035 $a (MiAaPQ)AAI28274051
035 $a (MiAaPQ)Humboldt_1845222735
035 $a AAI28274051
040 $a MiAaPQ $b eng $c MiAaPQ $d NTU
100 1 $a Rychlewski, Daniel. $3 1475126
245 1 0 $a Hyperspectral Image Classification of Satellite Images Using Compressed Neural Networks.
264 0 $c 2019
300 $a 1 online resource (139 pages)
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
500 $a Source: Masters Abstracts International, Volume: 82-05.
500 $a Advisor: Scheuermann, Bjorn;Reulke, Ralf.
502 $a Thesis (Master's)--Humboldt Universitaet zu Berlin (Germany), 2019.
504 $a Includes bibliographical references
520 $a Convolutional Neural Networks haben sich in den letzten Jahren als erfolgreiches Mittel zur hyperspektralen Klassifizierung von Bildern herausgestellt. Der grosere Spektralbereich und die hohere Prazision hyperspektraler Bilder verglichen mit RGB-Bildern sind z.B. fur Satellitenbilder nutzlich. Allerdings stellt die grose Anzahl an Bildkanalen, die oftmals redundant sind, eine Herausforderung fur eine performante Bildklassifizierung dar. Zusatzlich zeigt das Hughes-Phanomen, dass die Anzahl an Bildkanalen nicht notwendigerweise eine hohere Genauigkeit zufolge hat, nachdem eine bestimmte Anzahl erreicht ist. Daruber hinaus ist das Erfassen von Ground-Truth-Daten aufwendig und komplex, sodass die verfugbaren Trainingdaten oft nicht gros genug sind (Fluch der Dimensionalitat). Deshalb beschaftigt sich diese Arbeit mit Methoden zur Dimensionsreduktion und deren Auswirkung auf verschiedenen Ebenen.Auf der einen Seite gibt es Verfahren zur Merkmalsauswahl und -extraktion, um nur die wichtigsten Bildkanale auszuwahlen oder die existierenden so zu transformieren, dass weniger ubrig bleiben. Auf der anderen Seite konnen die neuronalen Netzwerke, die die Bildklassifizierung durchfuhren, mit Verfahren wie Parameter Pruning und Post-Training Quantization komprimiert werden, mit denen sich die Arbeit befasst. Im Anschluss werden beide Ebenen der Kompression kombiniert, um den Tradeoff zwischen komprimierten Bildkanalen und einem komprimierten neuronalen Netzwerk hinsichtlich relevanter Parameter wie RAM-/VRAM-Verbrauch und Inferenzzeit zu analysieren. Zum Schluss werden Saliency Maps und Activation Maps als Visualisierungstechniken verwendet, um die semantischen Auswirkungen der Kompressionen auf das neuronale Netzwerk nachzuvollziehen zu versuchen.
520 $a Convolutional neural networks have emerged as a successful means of hyperspectral classification of images in recent years. The larger spectral range and higher precision of hyperspectral images compared to RGB images are useful for satellite imagery, for example. However, the large number of image channels, which are often redundant, poses a challenge for high-performance image classification. In addition, the Hughes phenomenon shows that the number of image channels does not necessarily result in higher accuracy after a certain number is reached. In addition, collecting ground truth data is expensive and complex, so the available training data is often not large enough (curse of dimensionality). Therefore, this thesis deals with methods for dimension reduction and their impact on different levels.On the one hand, there are feature selection and extraction methods to select only the most important image channels or to transform the existing ones so that fewer remain. On the other hand, the neural networks that perform image classification can be compressed using techniques such as parameter pruning and post-training quantization, which the work addresses. Both levels of compression are then combined to analyze the tradeoff between compressed image channels and a compressed neural network with regard to relevant parameters such as RAM/VRAM consumption and inference time. Finally, saliency maps and activation maps are used as visualization techniques to try to understand the semantic effects of the compressions on the neural network.
533 $a Electronic reproduction. $b Ann Arbor, Mich. : $c ProQuest, $d 2024
538 $a Mode of access: World Wide Web
650 4 $a Mathematics. $3 527692
650 4 $a Information technology. $3 559429
653 $a Average accuracy
653 $a Artificial neural network
655 7 $a Electronic books. $2 local $3 554714
690 $a 0489
690 $a 0405
710 2 $a ProQuest Information and Learning Co. $3 1178819
710 2 $a Humboldt Universitaet zu Berlin (Germany). $3 1335299
773 0 $t Masters Abstracts International $g 82-05.
856 4 0 $u http://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=28274051 $z click for full text (PQDT)