Training automatizzato di sistemi Deep Learning per applicazioni di Ship Detection su dati satellitari SAR

Centazzo, Alessandro (2021) Training automatizzato di sistemi Deep Learning per applicazioni di Ship Detection su dati satellitari SAR. Bachelor thesis, Scuola Universitaria Professionale della Svizzera Italiana.

	Text DOC_Centazzo.pdf - Published Version Available under License Creative Commons Attribution Non-commercial. Download (1MB)
	Text POSTER_Centazzo.pdf - Published Version Available under License Creative Commons Attribution Non-commercial. Download (182kB)

Abstract

Nell’ambito della localizzazione di imbarcazioni in immagini satellitari SAR, Sarmap SA propone all’interno del suo software SARscape un modulo per svolgere la suddetta funzione mediante l’utilizzo di metodi statistici. In particolare, la soluzione attualmente implementata fa uso di un algoritmo chiamato CFAR, irrobustito mediante l’utilizzo di dati AIS (dati di localizzazione che le imbarcazioni sopra una certa stazza sono obbligate a trasmettere con una frequenza relativamente alta). L’obiettivo di questo progetto è la creazione di una procedura automatizzata che, utilizzando gli strumenti sopra menzionati forniti dal committente, consenta la creazione di dataset di immagini da utilizzare per il training di sistemi di deep learning. Questi sistemi, nello specifico, si dovrebbero preoccupare di classificare la tipologia di imbarcazione (portaerei, cargo, tanker, …) in base all’aspetto dell’imbarcazione stessa. È stato quindi realizzato un workflow basato su 8 steps che permette l’estrazione di patch di imbarcazioni di dimensione voluta. A ciascuna patch è stato associato un label di classificazione relativo alla tipologia di imbarcazione in questione. Anche questa informazione, assieme alla localizzazione, è contenuta nei dati AIS. Tale procedura viene realizzata utilizzando funzionalità esistenti all’interno di SARscape per l’importazione e processamento di immagini SAR e dati AIS. Il workflow ideato è stato applicato ad un set di 52 immagini SAR appartenenti alla missione spaziale Sentinel-1. Le immagini utilizzate si riferiscono principalmente alle zone costiere della Danimarca, i cui dati AIS sono accessibili pubblicamente. Il dataset così ottenuto è composto da 750 patch di dimensione 50x50 pixel, suddivise in 7 classi differenti. Tali immagini sono state utilizzate per l’addestramento di una rete neurale convoluzionale con un’architettura ideata appositamente per una classificazione binaria tra le due categorie maggiormente rilevanti presenti nel dataset. L’ accuratezza ottenuta del 70% viene poi paragonata con i risultati derivanti dalla medesima classificazione effettuata sul dataset OpenSARShip. In conclusione, è stata evidenziata una perdita di accuracy tra il 15% e 20% utilizzando le immagini ottenute mediante la procedura realizzata rispetto ad un training equivalente svolto su OpenSARShip. La differenza nei risultati può essere spiegata dalla dimensione ridotta del dataset creato e dalla presenza di alcune problematiche che inficiano la qualità dello stesso. In futuro sarà quindi necessario ridurre la presenza di errori nell’estrazione di patch di imbarcazioni implementando nuove funzionalità e migliorando quelle già esistenti all’interno del workflow

Item Type:	Thesis (Bachelor)
Corso:	UNSPECIFIED
Supervisors:	Quattrini, Andrea and Peternier, Achille
Subjects:	Informatica
Divisions:	Dipartimento tecnologie innovative > Ingegneria informatica
URI:	http://tesi.supsi.ch/id/eprint/4082

Actions (login required)

View Item