Deep learning for building density estimation in remotely sensed imagery
| Autor: | Süberk, Nilay Tuğçe, Ateş, Hasan Fehmi |
|---|---|
| Přispěvatelé: | Işık Üniversitesi, Fen Bilimleri Enstitüsü, Süberk, Nilay Tuğçe |
| Jazyk: | turečtina |
| Rok vydání: | 2019 |
| Předmět: |
Convolutional network
Learning (artificial intelligence) Time 8.0 s Building Density Estimation Comparative simulation results Derin Öğrenme Point-wise estimation Supervised trainings Convolutional neural network Building heat maps Convolutional neural nets Remotely sensed imagery Remote sensing optical imagery Deep learning approaches Remote Sensing Optical images Deep Learning Learning approach Pre-trained VGG-16 Density estimation Buildings Accurate density estimation Bina yoğunluk kestirimi Deep learning methods Supervised training Uzaktan Algılama Network architecture Bina Yoğunluk Kestirimi Comparative simulation Deep learning Building density estimation Remote sensing Uzaktan algılama Convolution Derin öğrenme Building locations Deep architectures Building densities Additional training CNN Geophysical image processing Neural networks |
| Popis: | Bu bildiri, derin öğrenme yöntemleri uygulayarak uzaktan algılamalı optik görüntülerde bina yoğunluğunun noktasal olarak kestirilmesi ile ilgilidir. Bu çalışma kapsamında, evrişimsel sinir ağına (ESA) dayalı derin öğrenme yöntemlerine başvurulmuştur. Önceden eğitilmiş, VGG-16 ve FCN-8s derin mimarileri bu probleme uyarlanmış ve ince ayar verilerek eğitilmiştir. Kestirilen değerler yerleşim bölgelerinde bina yoğunluk haritası oluşturmak için kullanılmıştır. Her iki mimarinin karşılaştırmalı benzetim sonuçları, güdümlü eğitim için binaları gösteren detaylı haritalara ihtiyaç duyulmadan hassas yoğunluk kestirimi yapılabileceğini göstermektedir. This paper is about point-wise estimation of building density from remote sensing optical imagery using deep learning methods. Convolutional neural network (CNN) based deep learning approaches are used for this work. Pre-trained VGG-16 and FCN-8s deep architectures are adapted to the problem and fine-tuned with additional training. Estimated values are used to generate building heat maps in urban areas. Comparative simulation results of the two architectures reveal that accurate density estimation is possible without the need for detailed maps of building locations during supervised training. IEEE IEEE Turkey Sect Publisher's Version WOS:000609879900080 |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|