Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

A Novel Aerial Dataset for Scene Classification Annotated Using OSM for Learning Deep CNNs

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F18%3A00322143" target="_blank" >RIV/68407700:21230/18:00322143 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://radio.feld.cvut.cz/conf/poster/proceedings/Poster_2018/Section_IC/IC_045_Kunc.pdf" target="_blank" >http://radio.feld.cvut.cz/conf/poster/proceedings/Poster_2018/Section_IC/IC_045_Kunc.pdf</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    A Novel Aerial Dataset for Scene Classification Annotated Using OSM for Learning Deep CNNs

  • Popis výsledku v původním jazyce

    Remote sensing data are getting cheaper and thus tools allowing analysis of large quantities of the data are needed. One of the commonly used tools for automation of remote sensing data are neural networks. However, despite the rising availability of the data, there is no suitable dataset for learning neural networks. This paper introduces novel aerial image datasets that were automatically annotated using labels from OpenStreetMap. The largest of the datasets contains 52,596 400x400 px images divided into 44 classes. These datasets were used for learning a deep state-of-the-art neural network for image classification as the size of the datasets allows to learn such network from scratch which was difficult with currently available datasets. The classification performance of the neural networks represents the baseline performance for the presented datasets and was further analyzed using the gradCAM visualization method.

  • Název v anglickém jazyce

    A Novel Aerial Dataset for Scene Classification Annotated Using OSM for Learning Deep CNNs

  • Popis výsledku anglicky

    Remote sensing data are getting cheaper and thus tools allowing analysis of large quantities of the data are needed. One of the commonly used tools for automation of remote sensing data are neural networks. However, despite the rising availability of the data, there is no suitable dataset for learning neural networks. This paper introduces novel aerial image datasets that were automatically annotated using labels from OpenStreetMap. The largest of the datasets contains 52,596 400x400 px images divided into 44 classes. These datasets were used for learning a deep state-of-the-art neural network for image classification as the size of the datasets allows to learn such network from scratch which was difficult with currently available datasets. The classification performance of the neural networks represents the baseline performance for the presented datasets and was further analyzed using the gradCAM visualization method.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2018

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of the International Student Scientific Conference Poster – 22/2018

  • ISBN

    978-80-01-06428-3

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

    1-5

  • Název nakladatele

    Czech Technical University in Prague

  • Místo vydání

    Praha

  • Místo konání akce

    Praha

  • Datum konání akce

    10. 5. 2018

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku