การวิเคราะห์แบ่งส่วนพื้นที่ภาพถ่ายทางอากาศด้วย Generative Adversarial Networks
Main Article Content
บทคัดย่อ
บทความนี้กล่าวถึงการแบ่งส่วนพื้นที่แบบ Semantic Segmentation จากภาพถ่ายทางอากาศ ซึ่ง เป็นภาพที่ได้จากอากาศยานไร้คนขับ (Unmanned Aerial Vehicle: UAV) มาวิเคราะห์การจำแนกพื้นที่ด้วย วิธี Generative Adversarial Networks (GANs) โดยการจำแนกพื้นที่ด้วยระบบสีแบบ RGB มาทำการจำแนกพื้นที่ทั้งหมด 10 พื้นที่ เช่น สนามบิน สนามกีฬา ป่าไม้ พื้นที่ทางการเกษตร แม่น้ำ บ่อน้ำ รถ ถนน สิ่งก่อสร้าง และพื้นที่อื่น ๆ ซึ่งในการทดลองนี้ได้ใช้โมเดลใน UNET ได้แก่ MobileNetV2, ResNet50, ResNet50V2, DenseNet201 และ VGG16 มาเป็น Generator บน Generative Adversarial Networks ไว้ในการจำแนกพื้นที่ของภาพถ่ายทางอากาศ จากการทดลองพบว่า โมเดลแต่ละโมเดลมีความแม่นยำโดยประมาณ 80% และ มีความเร็วในการทำงานต่อเฟรมอยู่ที่ 2 วินาที
Downloads
Article Details
![Creative Commons License](http://i.creativecommons.org/l/by-nc-nd/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
References
O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” in MICCAI 2015 - 18th Int. Conf. Med. Imag. Comput. Comput. Assisted Intervention, N. Navab, J. Hornegger, W. M. Wells, and A. F. Frangi , Eds., Munich, Germany, 2015, pp. 234 – 241.
Q. Chen, L. Wang, Y. Wu, G. Wu, Z. Guo, and S. L. Waslander, “Temporary Removal: Aerial Imagery for Roof Segmentation: A Large-scale Dataset Towards Automatic Mapping of Buildings,” ISPRS J. Photogramm. Remote Sens., vol. 147, pp. 42 - 55, 2019.
L. - C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A. L. Yuille, “DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 40, no. 4, pp. 834 - 848, 2018. รูปที่ 12 ผลที่ได้จากโมเดลแต่ละโมเดล Defence Technology Academic Journal, Volume 6 Issue 13 / January - June 2024 61
L. Mezeix and M. G. Casanova, “Dataset Creation Methodology for CNN Land Use/ Cover Classification: Thailand’s Rural Area Study Case,” Def. Technol. Acad. J., vol. 5, no. 11, pp. 74 - 95, Feb. 2023.
L. Mezeix, C. Arnal, S. Bassanetti, H. Corbin, and V. Mungkung, “Land Cover Analysis for Agricultural Area in Thailand Using CNN Method,” Def. Technol. Acad. J., vol. 5, no. 11, pp. 62 - 73, Feb. 2023.
I. Goodfellow et al., “Generative Adversarial Networks,” Comm. ACM, vol. 63, no. 11, pp. 139 – 144, 2020.
T. Karras, S. Laine, and T. Aila, “A Style-based Generator Architecture for Generative Adversarial Networks,” in 2019 IEEE/ CVF Conf. Comput. Vision Pattern Recognit. (CVPR), Long Beach, CA, USA, 2019, pp. 4396 - 4405, doi: 10.1109/ CVPR.2019.00453.
T. Karras, S. Laine, M. Aittala, J. Hellsten, J. Lehtinen, and T. Aila, “Analyzing and Improving the Image Quality of StyleGAN,” in 2020 IEEE/CVF Conf. Comput. Vision Pattern Recognit. (CVPR), Seattle, WA, USA, 2020, pp. 8107 – 8116, doi: 10.1109/ CVPR42600.2020.00813.
W. Luangluewut, K. Viriyasatr, W. Pawgasame, P. Kaewmongkol, and S. Mitaim, “Detecting Objects in Aerial Photographs Using Neural Network Techniques,” Def. Technol. Acad. J., vol. 5, no. 12, pp. 4 - 11, Nov. 2023.
C. Sundelius, “Deep Fusion of Imaging Modalities for Semantic Segmentation of Satellite Imagery,” M.S. thesis, Dept. Elect. Eng., Linköping Univ., Linköping, Sweden, 2017.
I. Goodfellow et al., “Generative Adversarial Nets,” 2014, arXiv:1406.2661v1.
R. Gandhi. “Generative Adversarial Networks- Explained.” TOWARDSDATASCIENCE. com. https://towardsdatascience.com/ generative-adversarial-networks -explained-34472718707a (accessed Nov. 2, 2023).
O. Ronneberger, P. Fischer, and T. Brox, “U - Net: Convolutional Networks for Biomedical Image Segmentation,” 2015, arXiv:1505.04597.
R. Shao, C. Du, H. Chen, and J. Li, “SUNet: Change Detection for Heterogeneous Remote Sensing Images from Satellite and UAV Using a Dual-Channel Fully Convolution Network,” Remote Sens., vol. 13, no. 8, p. 3750, 2021, doi:10.3390/rs13183750.
X. Li, L. Yan, Y. Zhang, and N. Mo, “SDMNet: A Deep - Supervised Dual Discriminative Metric Network for Change Detection in High-Resolution Remote Sensing Images,” IEEE Geosc. Remote Sens. Lett., vol. 19, pp. 1 - 5, 2022, Art no. 5513905, doi: 10.1109/LGRS.2022.3216627.