Show simple item record

dc.contributor.advisorGundersen, Odd Erik
dc.contributor.authorDalsgård, Arild Sørensen
dc.date.accessioned2021-09-15T16:31:27Z
dc.date.available2021-09-15T16:31:27Z
dc.date.issued2020
dc.identifierno.ntnu:inspera:57320302:18353653
dc.identifier.urihttps://hdl.handle.net/11250/2777932
dc.description.abstractEt konvolusjonelt nevralt nettverk for bildesegmentering av svart-hvitt luftfoto er presentert. Nettverket kan segmentere bildene i økologiske relevante segmenter for videre analyse av elveøkologi fra 1940- til 2000-tallet. Hovedbidragene til denne oppgaven er 1: A konvolusjonelt nevralt nettverk modell for bildesegmentering. 2: Et manuelt merket datasett med 7234 512x512 piksel bilder som dekker 76 km^2 land. Modellen fikk et gjennomsnittlig snitt over union på 71% på testsettet fra samme elv som den ble trent på, og et gjennomsnittlig snitt over union på 77% på et testsett fra en elv som den ikke trente på.
dc.description.abstractA convolutional neural network for image segmentation of black-and-white aerial images is presented. The network can segment the images into ecological relevant segments for further analysis on river ecology from the 1940s to the 2000s. The main contributions of this thesis are 1: A convolutional neural network model for image segmentation. 2: A manually annotated dataset having 7234 512x512 pixel images covering 76 km^2 of land. The model got a mean intersection over union of 71% on the test set from the same river as it was trained on, and a mean intersection over union of 77% on a test set from a river that it did not train on.
dc.language
dc.publisherNTNU
dc.titleSegmentation of river ecology using deep learning on aerial images
dc.typeMaster thesis


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record