Brugen af offentlige grunddata til træning af CNN'er
Session
Studerende har ordet
Abstract
En nyere og lovende metode til klassifikation af satellitdata er convolutional neural networks (CNN), der får meget opmærksomhed pga. dens evne til at levere resultater med en meget høj nøjagtighed. En af problematikkerne bag brugen af CNN’er som klassifikationsmetode er de krav, der stilles til de træningsdata, der anvendes. Disse træningsdata kan være svære at fremskaffe i en tilstrækkelig mængde og kvalitet.
I dette arbejde præsenteres en metode anvendt i mit speciale, hvor offentlige grunddata bruges til at opbygge netop disse træningsdata. Med udgangspunkt i GeoDanmark-data og SDFI-labs’ befæstelseskort demonstreres en metode til tilpasning og samling af datasættene, der muliggør deres brug som træningsdata.
Resultaterne viser, at brugen af offentlige grunddata som træningsdata muliggør succesfuld træning af et CNN med en resulterende nøjagtighed på mellem 84,38% og 91,18%.
Målgruppe
Målgruppen for indlægget er alle deltagere ved Kortdage 2023, der interesserer sig for brugen af kunstig intelligens i forbindelse med klassifikation af satellitdata og med træning vha. offentlige grunddata.
Yderligere uddybning af abstract
I oplægget præsenteres en metode, jeg anvendte i mit speciale med titlen: "Towards supporting the decissions to classify urban landscapes". Her brugte jeg offentlige grunddata til at skabe træningsdata til brug for specialet.
I mit speciale testede jeg forskellige metoder (Random forest, Support Vector Machine og CNN) og inputdata til at klassificere remote sensing-data. Dette var et forsøg på at kortlægge fordele og ulemper ved de forskellige metoder og på en afklaring af, hvornår en given metode skal vælges fremfor andre.
