Var finns källaren? - Bildigenkänning av källarfönster på ’street view’-bilder.
(2022) In Master’s Theses in Mathematical Sciences FMAM05 20221Mathematics (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:
http://lup.lub.lu.se/student-papers/record/9084848
- author
- Lindell Biehl, Marcus LU
- supervisor
- organization
- course
- FMAM05 20221
- year
- 2022
- 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}}, }