header
Image from OpenLibrary

A novel hybrid deep learning model for object detection on remote sensing images by Yassin Zakaria Abd El-Samie ; supervision of prof. Hoda Anis Baraka , prof. Ayman El-Dessouki , prof. Mayada Mansour Hadhoud .

By: Contributor(s): Material type: TextTextLanguage: English Summary language: English, Arabic Producer: 2023Description: 87 pages : illustrations ; 30 cm. + CDContent type:
  • text
Media type:
  • Unmediated
Carrier type:
  • volume
Other title:
  • / نموذج هجين جديد باستخدام التعلم العميق لاكتشاف الأشياء في صور الاستشعار عن بعد [Added title page title]
Subject(s): DDC classification:
  • 006.3
Available additional physical forms:
  • Issues also as CD.
Dissertation note: Thesis (M.Sc.)-Cairo University, 2023. Summary: Satellite and aerial images hold important information for many applications. Object detection on those images has value while being difficult. Deep-learning approaches have become effective at object detection. Due to large images, slow models are not feasible for some applications. In this thesis, a new fast hybrid model (S2A-Net-ILD) is proposed. The new model incorporates the Instance Level Denoising (ILD) module into Single-shot Alignment Network (S2A-Net). S2A-Net-ILD’s effectiveness was tested on the DOTA V1.0 dataset where it achieved higher accuracy than the baseline reaching 79.73% mean average precision (mAP). Using Kull-back–Leibler divergence regression loss function on the model improved it to reach 80.53% mAPSummary: تحتوي الصور الجوية والأقمار الصناعية على معلومات مهمة. اكتشاف الأشياء في هذه الصور له قيمة في حين إنها صعبة. أصبحت مناهج التعلم العميق أكثر فعالية في حل هذه المهمة. نظرًا للأحجام الكبيرة للصور، لا يمكن استخدام النماذج البطيئة في بعض التطبيقات. هذه الدراسة، تقترح نموذج سريع جديد هجين لاكتشاف الأشياء يسمى S2A-Net-ILD. يشمل النموذج الجديد على وحدة تقليل التشويش على مستوى الأشياء ودمجه في نموذج شبكة المحاذاة أحادية التنفيذ. تم اختبار فعالية النموذج S2A-Net-ILD على مجموعة بيانات DOTA V1.0 حيث حقق دقة أعلى من النموذج الأساسي ليصل إلى معيار متوسط الدقة 79.73٪. وقد أدى استخدام اختلاف Kullback Leibler كدالة لخسارة الانحدار إلى تحسين قيمة المعيار لتصل الى 80.53٪.
Tags from this library: No tags from this library for this title. Log in to add tags.
Star ratings
    Average rating: 0.0 (0 votes)
Holdings
Item type Current library Home library Call number Status Date due Barcode
Thesis Thesis قاعة الرسائل الجامعية - الدور الاول المكتبة المركزبة الجديدة - جامعة القاهرة Cai01.13.06.M.Sc.2023.Ya.N (Browse shelf(Opens below)) Not for loan 01010110088851000

Thesis (M.Sc.)-Cairo University, 2023.

Bibliography: pages 81-87.

Satellite and aerial images hold important information for many applications. Object detection on those images has value while being difficult. Deep-learning approaches have become effective at object detection. Due to large images, slow models are not feasible for some applications. In this thesis, a new fast hybrid model (S2A-Net-ILD) is proposed. The new model incorporates the Instance Level Denoising (ILD) module into Single-shot Alignment Network (S2A-Net). S2A-Net-ILD’s effectiveness was tested on the DOTA V1.0 dataset where it achieved higher accuracy than the baseline reaching 79.73% mean average precision (mAP). Using Kull-back–Leibler divergence regression loss function on the model improved it to reach 80.53% mAP

تحتوي الصور الجوية والأقمار الصناعية على معلومات مهمة. اكتشاف الأشياء في هذه الصور له قيمة في حين إنها صعبة. أصبحت مناهج التعلم العميق أكثر فعالية في حل هذه المهمة. نظرًا للأحجام الكبيرة للصور، لا يمكن استخدام النماذج البطيئة في بعض التطبيقات. هذه الدراسة، تقترح نموذج سريع جديد هجين لاكتشاف الأشياء يسمى S2A-Net-ILD. يشمل النموذج الجديد على وحدة تقليل التشويش على مستوى الأشياء ودمجه في نموذج شبكة المحاذاة أحادية التنفيذ. تم اختبار فعالية النموذج S2A-Net-ILD على مجموعة بيانات DOTA V1.0 حيث حقق دقة أعلى من النموذج الأساسي ليصل إلى معيار متوسط الدقة 79.73٪. وقد أدى استخدام اختلاف Kullback Leibler كدالة لخسارة الانحدار إلى تحسين قيمة المعيار لتصل الى 80.53٪.

Issues also as CD.

Text in English and abstract in Arabic & English.

There are no comments on this title.

to post a comment.