Városi felszínborítottsági térképezés nagyfelbontású űrfelvételeken mélytanulásos módszerekkel / Urban Land Cover Classification Techniques Using Deep Learning Based on VHR Satellite Imagery

Elsődleges fülek

Erre a témakiírásra nem lehet jelentkezni.
Nyilvántartási szám: 
23/01
Témavezető neve: 
Témavezető e-mail címe:
barsi.arpad@emk.bme.hu
A témavezető teljes publikációs listája az MTMT-ben:
A téma rövid leírása, a kidolgozandó feladat részletezése: 
A doktori kutatás a felszínborítás osztályozási technikáira és a nagyfelbontású műholdképeken alapuló mélytanulás alkalmazására összpontosít városi környezetben felmerülő problémák megoldása során. A városi környezet több kihívást tartalmaz a különböző felszínborítottsági osztályok közötti spektrális hasonlóságok és az egyes osztályok méretének, formájának és anyagának nagyfokú változatossága miatt. Emellett az osztályok hasonlóságot mutatnak a geometriában (pl. utak és hidak), színben (pl. épületek, gyalogutak és csupasz talaj) valamint egyes osztályok pedig a textúrában (pl. utak, hidak és parkolók). Mindezek a jellemzők bonyolulttá teszik a jelenetelemzést ilyen városi környezetben.
A doktori program fő célja a mélytanuláson alapuló osztályozási módszerek tanulmányozása a nagyfelbontású műholdképekből kinyert városi felszínborítási információk maximalizálása érdekében. Emellett a következő részcélokat is figyelembe kell venni:
- A konvolúciós neurális hálózat (CNN) algoritmusait értékelni kell a távérzékelési képfeldolgozásban való felhasználás során.
- Elemezni kell a távérzékelési mélytanulási vizsgálatok alkalmazhatóságát a kép térbeli és spektrális felbontása, a vizsgált területek tervezési típusa és mértéke, valamint az elért osztályozási pontosság tekintetében.
- Átfogó tanulmányt kell készíteni a mélytanulással kapcsolatos távérzékelési kutatások főbb részterületein, mint például az adatfúzió (kép-élesítés), képregisztráció, felszínborítás-osztályozás, objektumfelismerés, képszegmentálási technikák és objektumalapú képelemzés (OBIA) városi környezetben.
Várható eredmények:
- A javasolt tanulmányok célja, hogy a városi felszínborítás osztályozására szolgáló mélytanulási algoritmusok teljesítményével kapcsolatos tudományos ismerethiányt pótolják. A mélytanulási algoritmusok várhatóan jelentős sikereket érnek el a különböző képelemzési feladatokban, beleértve a felszínborítás és a felszínhasználat osztályozását, valamint az objektumdetektálást.
- A mélytanulási algoritmusok segítségével történő osztályozás eredményei a hagyományos osztályozási módszerekhez képest várhatóan javulnak az általános pontosság, a kappa együttható és a pontosság tekintetében.
- A mélytanulásos osztályozási modellek rendszeresen frissíthetik a beépített területek, az infrastrukturális hálózatok és a vízkészletek térképeit.
 
***
The main program of the Ph.D. research plan focuses on using urban land cover classification techniques and deep learning based on VHR satellite imagery to solve the problem in urban environments. The urban environment contains more challenges due to the spectral similarities between the different land cover classes and the great diversity in sizes, shapes, and materials of each class. Also, classes have similarities in geometry (e.g., roads and bridges) and in color (e.g., buildings, footpaths, and bare soil), and some classes have similarities in texture (e.g., roads, bridges, and parking lots). All of these features make scene analysis complicated in such urban environments.
The main objective of this Ph.D. program is to study deep learning-based classification methods to maximize the extracted urban land cover information from VHR satellite images. Also, the following sub-objectives have to be considered:
- Convolutional Neural Network (CNN) algorithms are proposed to be evaluated for use in remote sensing image processing.
- Analyze the use of remote sensing deep learning studies regarding the research objectives, image spatial and spectral resolution, type and degree of planning for study areas, and classification accuracy achieved.
- Perform a comprehensive study in the major sub-areas of the remote sensing studies linked to deep learning, such as data fusion (image pan-sharpening), image registration, land cover classification, object detection, image segmentation techniques, and object-based image analysis (OBIA) in urban environments.
Expected results:
- The suggested studies are intended to fulfill scientific knowledge gaps in the performance of deep learning algorithms for urban land cover classification. Deep Learning algorithms are expected to achieve significant success in various image analysis tasks, including classification of land use and land cover, and object detection.
- Results of classification using deep learning algorithms are supposed to be improved in terms of overall accuracy, kappa coefficient, and precision compared to traditional classification methods.
- The deep learning classification models can regularly update built-up area maps, infrastructural networks, and water resources distribution.
 
A téma meghatározó irodalma: 
    1. Lillesand, T.M., Kiefer, R.W., Chipman, J.W. (2004): Remote Sensing and Image Interpretation. Wiley, p. 784
    2. Longley P. A., Goodchild, M. F., Maguire, D. J., Rhind, D. W. (2015): Geographic Information System & Science, John Willey & Sons, p. 496
    3. Gonzalez, R. C., Woods, R. E., Eddins, S. L. (2004): Digital Image Processing Using Matlab, Gatesmark Publishing, p. 609
    4. Schowengerdt, R. A. (2012): Remote Sensing - Models and Methods for Image Processing, Elsevier, p. 522
    5. Negm, A. M., Kostianoy, A., Elbeih, S. F. (2020): Environmental Remote Sensing in Egypt, Springer, p. 608
A téma hazai és nemzetközi folyóiratai: 
    1. Geodézia és Kartográfia (Scopus)
    2. Periodica Polytechnica - Civil Engineering (WoS)
    3. Geomatikai Közlemények
    4. International Archives of Photogrammetry and Remote Sensing (Scopus)
    5. IEEE Transactions on Geoscience and Remote Sensing (WoS)
    6. International Journal of Geographic Information (WoS)
    7. International Journal of Remote Sensing (WoS)
    8. Canadian Journal of Remote Sensing (WoS)
A témavezető utóbbi tíz évben megjelent 5 legfontosabb publikációja: 
    1. Krausz, N., Potó, V., Lógó, J., Barsi, Á. (2022): Comparison of Complex Traffic Junction Descriptions in Automotive Standard Formats, PERIODICA POLYTECHNICA-CIVIL ENGINEERING, Vol. 66, No. 1, pp. 282-290, DOI: 10.3311/PPci.18616
    2. Barsi, Á., Kelemen, G. (2020): Fotogrammetria és távérzékelés, Herman Ottó Intézet, Budapest, p. 302, ISBN: 9789633091067
    3. Barsi, Á., Csepinszky, A., Lógó, J. M., Krausz, N., Potó, V. (2020): The role of map in autonomous driving simulations, PERIODICA POLYTECHNICA-TRANSPORTATION ENGINEERING, Vol. 48, No. 4, pp. 363-368, DOI: 10.3311/PPtr.15852
    4. Török, Á., Barsi, Á., Bögöly, Gy., Lovas, T., Somogyi, Á., Görög, P. (2018): Slope stability and rockfall assessment of volcanic tuffs using RPAS with 2-D FEM slope modelling, NATURAL HAZARDS AND EARTH SYSTEM SCIENCES, Vol. 18, No. 2, pp. 583-597, DOI: 10.5194/nhess-18-583-2018
    5. Balázs, L. Gy., Czoboly, O., Lublóy, É., Kapitány, K., Barsi, Á. (2017): Observation of steel fibres in concrete with Computed Tomography, CONSTRUCTION AND BUILDING MATERIALS, Vol. 140, pp. 534-541, DOI: 10.1016/j.conbuildmat.2017.02.114
A témavezető fenti folyóiratokban megjelent 5 közleménye: 
    1. Barsi, Á., Kugler, Zs., Juhász, A., Szabó, Gy., Batini, C., Abdulmuttalib, H., Huang, G., Shen, H. (2019): Remote Sensing Data Quality Model: from data sources to lifecycle phases, INTERNATIONAL JOURNAL OF IMAGE AND DATA FUSION, Vol. 10, No. 4, pp. 280-299. DOI: 10.1080/19479832.2019.1625977
    2. Barsi, Á., Kugler, Zs., László, I., Szabó, Gy., Abdulmuttalib, H. (2018): Accuracy Dimension in Remote Sensing, INTERNATIONAL ARCHIVES OF PHOTOGRAMMETRY AND REMOTE SENSING (2002-), Vol. 42. No. 3, pp. 61-67, DOI: 10.5194/isprs-archives-XLII-3-61-2018
    3. Albrecht, F., Blaschke, T.,Lang, S., Abdulmuttalib, H., Szabó, Gy., Barsi, Á., Batini, C., Bartsch, A., Kugler, Zs., Tiede, D. (2018): Providing Data Quality Information for Remote Sensing Applications, INTERNATIONAL ARCHIVES OF PHOTOGRAMMETRY AND REMOTE SENSING (2002-), Vol. 42, No. 3, pp. 15-22, DOI: 10.5194/isprs-archives-XLII-3-15-2018
    4. Kugler, Zs., Szabó, Gy., Abdulmuttalib, H., Batini, C., Shen, H., Barsi, Á., Huang, G. (2018): Time-Related Quality Dimensions of Urban Remotely Sensed Big Data, INTERNATIONAL ARCHIVES OF PHOTOGRAMMETRY AND REMOTE SENSING (2002-), Vol. 42, No. 4, pp. 315-320, DOI: 10.5194/isprs-archives-XLII-4-315-2018
    5. Batini, C., Blaschke, T., Lang, S., Albrecht, F., Abdulmuttalib, H., Barsi, Á., Szabó, Gy., Kugler, Zs. (2017): Data Quality in Remote Sensing, INTERNATIONAL ARCHIVES OF PHOTOGRAMMETRY AND REMOTE SENSING (2002-), Vol. 42, No. 2/W7, pp. 447-453, DOI: 10.5194/isprs-archives-XLII-2-W7-447-2017

A témavezető eddigi doktoranduszai

Potó Vivien (2017/2021/2023)
Kapitány Kristóf (2012/2015/2015)
Sárközi Boglárka (2011/2014/)
Molnár Bence (2008/2012/2013)
Kertész Imre (2006/2009/2011)
Szeverényi Nikol (2006/2016/2018)
Schrott Péter (2005/2009/)
Kibédy Zoltán (2005/2007/)
Kugler Zsófia (2003/2006/2008)
Aliyev Nurlan (2024//)
Státusz: 
elfogadott