การจำแนกอาคารจากภาพถ่ายดาวเทียมโดยการถ่ายโอนความรู้
Article Sidebar
Main Article Content
บทคัดย่อ
เทคโนโลยีภาพถ่ายดาวเทียมมีความสำคัญในงานทางด้านวิเคราะห์พื้นที่ทางภูมิศาสตร์ เช่น Change Detection Real Estate Analysis เนื่องจากภาพมีรายละเอียดสูงและถูกจัดเก็บไว้อย่างครบถ้วน แต่เนื่องจากผู้เชี่ยวชาญทางด้านการวิเคราะห์พื้นที่ทางภูมิศาสตร์มีจำนวนน้อยเมื่อเทียบกับพื้นที่ทางภูมิศาสตร์ของประเทศไทย ทำให้การวิเคราะห์นั้นถูกพัฒนาเป็นระบบอัตโนมัติที่มีประสิทธิภาพสูง ในงานนี้ผู้วิจัยได้สร้างระบบการจำแนกอาคารประเภทต่าง ๆ จากภาพถ่ายดาวเทียม (Buildings Classification from Satellite Images) โดยการสร้างตัวแบบการถ่ายโอนความรู้ (Transfer Learning) ด้วยชุดข้อมูลที่สร้างขึ้นมาใหม่ 4CateSAT ที่ประกอบด้วยภาพอาคารสถานที่ คือ (1) สนามบิน (2) สนามกีฬา (สนามฟุตบอล) (3) โรงเรียน และ (4) วัดในประเทศไทย ตลอดจนเปรียบเทียบประสิทธิภาพของระบบหลังจากดำเนินการแก้ปัญหา Imbalance Dataset โดยการปรับแต่งข้อมูล (Data Augmentation) ทั้ง 2 แบบ ซึ่งผลการทดลองแสดงค่าความแม่นยำ (Accuracy) ของตัวแบบที่ดีที่สุดเมื่อทดสอบในชุดข้อมูลทดสอบ (Test Dataset) สูงถึง 96.88%
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
เอกสารอ้างอิง
O. Russakovsky et al., “ImageNet Large Scale Visual Recognition Challenge,” Int. J. Comput. Vis., vol. 115, no. 3, pp. 211–252, 2015.
TensorFlow 2.6.0. (2021). Google.
N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic minority over-sampling technique,” 2011. [Online]. Available: arXiv:1106.1813.
R. R. Selvaraju, M. Cogswell, A. Das, R. Vedantam, D. Parikh, and D. Batra, “Grad-CAM: Visual explanations from deep networks via gradient-based localization,” in Proc. IEEE Int. Conf. Comput. Vis., Venice, Italy, Oct. 2017, pp. 618–626, doi: 10.1109/ICCV.2017.74.
T. Siriborvornratanakul. (2021). CNN Wrap-up [PowerPoint slides]. Available: https://as.nida.ac.th/~thitirat/homepage/index.html
M. Pritt and G. Chern, “Satellite image classification with deep learning,” in Proc. IEEE Appl. Imagery Pattern Recognit. Workshop (AIPR), Washington, DC, USA, Oct. 10–12, 2017, pp. 1–7.
P. Helber, B. Bischke, A. Dengel, and D. Borth, “EuroSAT: A novel dataset and deep learning benchmark for land use and land cover classification,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 12, no. 7, pp. 2217–2226, 2019.
D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” 2014. [Online]. Available: arXiv:1412.6980.
K. He, X. Zhang, S. Ren, and J. Sun, “Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification,” in Proc. IEEE Int. Conf. Comput. Vis., 2015, pp. 1026–1034, doi: 10.1109/ICCV.2015.123.
Google Earth. (2015). Google. Accessed: Feb. 1, 2021. [Online]. Available: https://earth.google.com/web/
K. Simonyan, and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” 2014. [Online]. Available: arXiv:1409.1556.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the inception architecture for computer vision,” 2015. [Online]. Available: arXiv:1512.00567.
K. He, X. Zhang, S. Ren, and J. Sun, “Identity mappings in deep residual networks,” 2016. [Online]. Available: arXiv:1603.05027.
G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, “Densely connected convolutional networks,” in Proc. IEEE Conf. Comput. Vis. and Pattern Recognit (CVPR), Honolulu, HI, USA, Jul. 2017, pp. 2261–2269, doi: 10.1109/CVPR.2017.243.
F. Chollet, “Xception: Deep learning with depthwise separable convolutions,” 2016. [Online]. Available: arXiv: 1610.02357.
