| Autore/i |
FASANA, CORRADO PASINI, SAMUELE |
| Relatore | FRATERNALI, PIERO |
| Correlatore/i | MILANI, FEDERICO |
| Scuola / Dip. | ING - Scuola di Ingegneria Industriale e dell'Informazione |
| Data | 20-dic-2022 |
| Anno accademico | 2021/2022 |
| Titolo della tesi | Learning to Detect Illegal Landfills in Aerial Images with Scarce Labeling Data |
| Abstract in italiano | Il monitoraggio ambientale è essenziale per comprendere le condizioni dell’ambiente e i cambiamenti causati dalle attività umane. I progressi nelle tecnologie di telerilevamento per l’osservazione della terra aprono la possibilità di scansionare vasti territori con l’aiuto di immagini satellitari. Al fine di raggiungere questo obiettivo, è possibile utilizzare architetture di apprendimento profondo all’avanguardia, che tuttavia, necessitano di annotazioni dettagliate fornite da esperti. Per risolvere questa limitazione, è possibile utilizzare metodi di apprendimento autogestito e debolmente supervisionati per integrare la mancanza di annotazioni manuali a livello di oggetto e di modelli pre-allenati, grazie all’abbondanza di immagini satellitari non annotate. Questo lavoro presenta un’indagine sui metodi di apprendimento autogestito e debolmente supervisionati per immagini satellitari. Metodi adeguati vengono esaminati su un nuovo set di dati (AerialWaste) per identificare e localizzare discariche abusive nelle immagini di telerilevamento. I risultati possono essere di notevole aiuto per il processo di interpretazione fotografica che attualmente viene svolto manualmente da esperti del settore. |
| Abstract in inglese | Environmental monitoring is essential to understand the conditions of the environment and the changes caused by human activities. The advances in Remote Sensing technologies for earth observation open the possibility of scanning vast territories with the help of satellite imagery. State-of-the-art Deep Learning architectures can be used for this task, but they need fine-grained ground truth annotations built with expert knowledge. To solve this limitation, Self and weakly supervised methods can be used to supplement the lack of manual object-level annotations and pre-trained models, thanks to the abundance of non-annotated images in the remote sensing domain. This work presents a survey of self- and weakly supervised aerial image analysis methods. Then, suitable methods are explored and evaluated on a novel data set (AerialWaste) to identify and localize illegal waste in remote sensing images. The results can help the photo interpretation process currently performed manually by experts in the field. |
| Appare nelle tipologie: | Tesi di laurea Magistrale |
File allegati
| File | Descrizione | Dimensione | Formato | |
|---|---|---|---|---|
|
Executive_Summary___Pasini_Fasana.pdf
accessibile in internet per tutti |
Executive Summary di 6 pagine per contro-relatore. | 1.65 MB | Adobe PDF | Visualizza/Apri |
|
Tesi___Pasini_Fasana.pdf
accessibile in internet per tutti |
Elaborato completo. | 27.04 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento:
http://hdl.handle.net/10589/196992
