Skip to main content

LUP Student Papers

LUND UNIVERSITY LIBRARIES

Var finns källaren? - Bildigenkänning av källarfönster på ’street view’-bilder.

Lindell Biehl, Marcus LU (2022) In Master’s Theses in Mathematical Sciences FMAM05 20221
Mathematics (Faculty of Engineering)
Abstract (Swedish)
Det här examensarbetet hade som mål att ta reda på om neuronnätverk kan användas för bildigenkänning av ’street-view’-bilder för att avgöra om en byggnad har eller inte har en källare. För att göra detta hämtades en datamängd av bilder från Google Street View utifrån en lista med adresser som på förhand hade inventerats av VA SYD. Från filen med bilder på fastigheter som innehar källare valdes
det sedan ut de bilder som uppvisade källarefönster så att en diskret klassificering kunde göras. Ett förtränat neuronnät användes som bas till att träna på datamängderna i tre olika körningar, där den varierande parametern var olika typer av data augmentationer. Resultatet gav cirka 90% noggrannhet på testdatan för alla tre körningar med varierande... (More)
Det här examensarbetet hade som mål att ta reda på om neuronnätverk kan användas för bildigenkänning av ’street-view’-bilder för att avgöra om en byggnad har eller inte har en källare. För att göra detta hämtades en datamängd av bilder från Google Street View utifrån en lista med adresser som på förhand hade inventerats av VA SYD. Från filen med bilder på fastigheter som innehar källare valdes
det sedan ut de bilder som uppvisade källarefönster så att en diskret klassificering kunde göras. Ett förtränat neuronnät användes som bas till att träna på datamängderna i tre olika körningar, där den varierande parametern var olika typer av data augmentationer. Resultatet gav cirka 90% noggrannhet på testdatan för alla tre körningar med varierande träningsprestanda för de olika data augmentationerna. Detta visar att med bildigenkänning av ’street-view’-bilder borde det vara möjligt att identifiera hurvida en byggnad har källare eller inte. (Less)
Please use this url to cite or link to this publication:
author
Lindell Biehl, Marcus LU
supervisor
organization
course
FMAM05 20221
year
type
H2 - Master's Degree (Two Years)
subject
keywords
Bildigenkänning, Förtränat neuronnät, Källare, Google Street View, Data augmentation.
publication/series
Master’s Theses in Mathematical Sciences
report number
LUTFMA-3465-2022
ISSN
1404-6342
other publication id
2022:E15
language
Swedish
id
9084848
date added to LUP
2022-06-10 15:32:17
date last changed
2022-06-10 15:32:17
@misc{9084848,
  abstract     = {{Det här examensarbetet hade som mål att ta reda på om neuronnätverk kan användas för bildigenkänning av ’street-view’-bilder för att avgöra om en byggnad har eller inte har en källare. För att göra detta hämtades en datamängd av bilder från Google Street View utifrån en lista med adresser som på förhand hade inventerats av VA SYD. Från filen med bilder på fastigheter som innehar källare valdes
det sedan ut de bilder som uppvisade källarefönster så att en diskret klassificering kunde göras. Ett förtränat neuronnät användes som bas till att träna på datamängderna i tre olika körningar, där den varierande parametern var olika typer av data augmentationer. Resultatet gav cirka 90% noggrannhet på testdatan för alla tre körningar med varierande träningsprestanda för de olika data augmentationerna. Detta visar att med bildigenkänning av ’street-view’-bilder borde det vara möjligt att identifiera hurvida en byggnad har källare eller inte.}},
  author       = {{Lindell Biehl, Marcus}},
  issn         = {{1404-6342}},
  language     = {{swe}},
  note         = {{Student Paper}},
  series       = {{Master’s Theses in Mathematical Sciences}},
  title        = {{Var finns källaren? - Bildigenkänning av källarfönster på ’street view’-bilder.}},
  year         = {{2022}},
}