跳到主要內容

臺灣博碩士論文加值系統

(44.211.26.178) 您好!臺灣時間:2024/06/15 02:58
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:譚宇翔
研究生(外文):TAN,YU-SIANG
論文名稱:運用 SVM 與 Faster R-CNN 實現墓塚調查之差異比較-以五股第一公墓為例
論文名稱(外文):The Comparison of the Differences between Using SVM and Faster R-CNN Model for a Grave Survey - A Case Study of Wugu First Cemetery
指導教授:徐逸祥徐逸祥引用關係
指導教授(外文):SHIU, YI-SHUANG
口試委員:李瑞陽林峰正莊永忠
口試委員(外文):LEE, RE-YANGLIN,FENG-CHENGCHUANG,YUNG-CHUNG
口試日期:2021-07-07
學位類別:碩士
校院名稱:逢甲大學
系所名稱:都市計畫與空間資訊學系
學門:建築及都市規劃學門
學類:都市規劃學類
論文種類:學術論文
論文出版年:2021
畢業學年度:109
語文別:中文
論文頁數:122
中文關鍵詞:濫葬問題航照影像自動化判釋Faster R-CNNSVM
外文關鍵詞:burial facilitiesaerial photographsautomatic interpretationFaster R-CNNSVM
相關次數:
  • 被引用被引用:2
  • 點閱點閱:202
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
我國近年來隨著都市人口增長與擴張,政府對於殯葬設施治理過去缺乏管制約束,導致濫葬問題日趨嚴重。然而針對上述問題,即使後續新增及修正殯葬相關法規加強對土地控管,但由於地方政府執行單位財政人力吃緊,僅憑田野調查方式查緝而防不勝防,為此本研究目的在於解決土葬設施數量龐大及濫葬零散分布問題,期望透過自動化判釋來協助調查,藉由航照影像高解析、高機動性與圖幅範圍廣闊等優勢特性,以物件偵測(Object Detection)技術,嘗試運用深度學習之Faster R-CNN 實現墓塚特殊物件模型,並與常見使用之機器學習 SVM 比較,透過共同精度評估以瞭解兩者之間成果對於地物判釋預測之可靠性。
根據結果在墓塚與非墓塚分類方面,SVM 以正確率為 0.84 優於Faster R-CNN 之 0.62,且使用主成份分析影像可提高其分類精度,不過在墓塚類別分類方面則是 Faster R-CNN 以整體精度為 0.97 優於SVM 之 0.62,且使用主成份分析影像並無實質幫助;本研究墓塚漏估問題主要在於政府公墓用地採登記制度,並無實際的土地權屬分區的概念,因此墓塚呈現嚴重交錯堆疊的情況,且由於現今墓塚偏向客製化設計,只要外觀設計與材料使用與大致墓塚設計些許不同都可能會增加 Faster R-CNN 模型在判定物件上產生困難度,總而言之,依研究分類成果層面之可行性而論,在墓塚數量與範圍面積推估上還是得仰賴 SVM 影像分類,而在於對墓塚樣式類別分類Faster R-CNN 則是展現其優異效果,具有其發展之實用性。
The early society in Taiwan is still mainly based on burial, but now with the growth of urban population, narrow land and dense population, coupled with the government's less strict control on funeral in the past, the problem of excessive burial is becoming more and more serious.

In order to solve the problem of large number of burial facilities and scattered distribution of burial facilities, this study hopes to assist the investigation through automatic interpretation, through the advantages of aerial image high analysis, high mobility and a wide range of frames. However, mainly in the traditional machine learning, such as SVM and other ways to classify land, but the disadvantage is that the traditional way only to understand the distribution area of the land category, and can not know exactly the actual grave location of the number of coordinates location. Therefore, the goal of this study is to try to achieve the grave object detection, and compare machine learning-based SVM and deep learning-based Faster R-CNN accuracy assessment, to understand the reliability of the two methods.

According to the results, the accuracy of SVM is 0.84, which is better than 0.62 of Faster R-CNN in classification of graves and non graves, and the classification accuracy can be improved by using the PCA image. However, concerning the classification of different kinds of graves, the overall accuracy of Faster R-CNN is 0.97, which is better than 0.62 of SVM, and using the PCA image is not helpful. In a word, the estimation of the number and area of graves may depend on SVM image classification, and Faster R-CNN shows its excellent effect in classification of different graves, which has its practical development.
第一章 緒論 10
第一節 研究動機及背景 10
第二節 研究目的 11
第三節 研究範圍 12
第四節 研究架構 13
第二章 文獻探討 15
第一節 傳統墓塚文化與設計 15
一、墓塚類型與種類樣式設計 15
二、 觀音山墓園 21
第二節 人工智慧發展與應用 27
一、 人工智慧發展歷程 28
二、機器學習 29
三、深度學習 32
第三章 研究方法 42
第一節 研究材料 42
一、研究設備 42
二、應用軟體概述 42
三、原始波段影像 44
四、主成份分析影像 45
第二節 研究設計 46
一、SVM 分類器處理流程 46
二、FASTER R-CNN分類器處理流程 48
第三節 影像紋理分析 51
一、影像紋理運算 51
二、灰階共發生矩陣 51
三、灰階量化種類 53
第四節 影像主成份分析 56
一、主成份分析 56
二、主成份分析運算 56
三、 主成份分析成果 57
第五節 機器學習 SVM 58
一、 段均值漂移 58
二、 圈選樣本 62
三、 支援向量機 62
第六節 深度學習FASTER R-CNN 68
一、資料集建置 68
二、預訓練模型 74
三、訓練模型建置 77
第七節 精度評估 81
一、SVM影像判釋分類評估 81
二、FASTER RCNN 模型評估 83
三、共同精度評估 86
第四章 實驗結果 91
第一節 SVM 91
一、SVM分類成果 91
二、SVM 精度評估 94
第二節 FASTER R-CNN 95
一、資料集建置 95
二、RESNET模型骨幹 96
三、模型超參數優化 97
四、FASTER R-CNN模型成果 101
第三節 共同精度評估 107
一、墓塚與非墓塚之共同精度評估 107
二、墓塚類別分類之共同精度評估 109
第五章 結論與建議 111
第一節 研究結論 111
一、主成份分析影像 111
二、SVM 112
三、FASTER R-CNN 112
四、共同精度評估 114
第二節 研究建議 116
一、墓塚調查研究 116
二、墓塚數量推估 116
三、無人機空拍調查 117
參考文獻 118
一、中文文獻 118
二、英文文獻 120

一、中文文獻
五股鄉公所(1997)。五股誌。國家圖書館臺灣記憶系統,上網日期:2021年
04月05日,檢自 https://tm.ncl.edu.tw/

王濟川、郭志剛(2003)。Logistic 迴歸模型 :方法及應用,台北市:五南圖書。

曲建仲(2019)。機器是如何學習與進步?人工智慧的核心技術與未來。
學月刊,第580期,頁282-291。

李經漢(1993)。地下水,臺北市:中國土木水利工程學會。

李瑞陽、莊佳文(2006)。運用影像分塊方法於高解析衛星影像土地利用判釋
精度之研究。航測及遙測學刊,第11卷,第4期,頁403-415。

林榮章(1999)。都會區多解像力遙測影像之紋理分析。國立中興大學土木
工程學系碩士論文,台中市。

林洧全(2012)。衛星影像判釋技術應用於山崩潛勢分析及風險評估模式建置
之研究。長榮大學土地管理與開發學系碩士班碩士論文,台南市。

周明毅(2005)。明朝古墓--臺南曾振晹墓。臺灣殯葬資訊網,上網日期:
2021年04月05,檢自
http://www.funeralinformation.com.tw/Detail.php?LevelNo=863

周明中(2005)。紋理輔助高解析度衛星影像分析應用於偵測入侵性植物分布
之研究。國立中央大學土木工程研究所碩士論文,桃園市。

洪蜜琪(2007)。整合光譜與空間資訊於影像分類-應用於覆蓋與管理因子
(值)之研究。國立中興大學土木工程學系碩士論文,台中市。

孫曉恩(2019)。卷積神經網路 (CNN) 的發展。AI Academy Taiwan。上網
日期:2021年04月14日,檢自 https://medium.com/ai-academy-
taiwan/%E5%8D%B7%E7%A9%8D%E7%A5%9E%E7%B6%93%E7%B
6%B2%E8%B7%AF-cnn-%E7%9A%84%E7%99%BC%E5%B1%95-
4c5d29e60c55

許晉嘉、雷祖強、周天穎(2005)。支援向量機理論中核函數性質之研究-
以高解析度衛星影像為例。台灣地理資訊學會年會暨學術研討會。

陳承昌(2006)。支持向量機及 Plausible Neural Network 於水稻田辨識之研究,
國立交通大學土木工程學系碩士論文,新竹市。

莊雲翰(2002)。結合影像區塊及知識庫分類之研究-以 IKONOS 衛星影像
為例。國立中央大學土木工程學系碩士論文,桃園市。

莊智瑋、林昭遠、陳正湘(2009)。利用紋理因子改善影像分類準確度之研究。
水土保持學報,第41卷,第2期,頁153-168。

莊尚樺(2015)。應用 SVM 及紋理資訊於 UAV 影像水稻田判釋之研究。
國立中興大學土木工程學系碩士學位論文,台中市。

黃宗仁、葉堃生(2017)。以物件式分類於航攝正射影像崩塌地快速自動分類
判釋之成效。臺灣林業,第43卷,第5期,頁68-74。

萬絢(2020)。綠化生態模型系列研究:比較隨機森林演算法和支援向量機在
都市多類別影像判釋的差異。嶺東學報,第46期,頁151-172。

廖倫光(2004)。臺灣傳統墳塚的地方性樣式與衍化研究。中原大學建築
研究所碩士論文,桃園縣。

黎瑋(1998)。紋理分析於遙測影像分類之研究。國立中央大學土木工程
研究所碩士論文,桃園市。

葉勁甫(2019)。魚類新鮮度辨識:三種卷積神經網路之比較。國立雲林科技
大學資訊管理系碩士論文,雲林縣。

蕭國鑫、劉治中及徐偉城(2004)。不同影像分類方法應用於水稻辨識之探討。
航測及遙測學刊,第9卷,第1期,頁13-26。

二、英文文獻
Agatonovic-Kustrin, S., & Beresford, R. (2000). Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research.
Journal of pharmaceutical and biomedical analysis, 22(5), 717-727.

Ahmed-et-al . (2013).Prediction of dissolved oxygen in Surma River by
biochemical oxygen demand and chemical oxygen demand using the artificial neural networks (ANNs). ResearchGate. Retrieved April 13, 2021 , from https://www.researchgate.net/figure/A-typical-multilayer-
perceptron-ANN-architecture-Ahmed-et-al-2013_fig1_262526787.

Brandon Da Silva. (2018). Playing Super Mario Bros with Proximal Policy
Optimization. Machine Learning Blog. Retrieved April 14, 2021 , from
https://brandinho.github.io/mario-ppo/

Chen, G., and Qian ,S.E. (2008).Evaluation and comparison of dimensionality
reduction methods and band selection. Canadian Journal of Remote
Sensing, (34) 1, 26-36.

Cyc. (2008). Graphic showing the maximum separating hyperplane and the
margin. Wiki website .Retrieved April 13, 2021 , from
https://zh.wikipedia.org/wiki/%E6%94%AF%E6%8C%81%E5%90%91%
E9%87%8F%E6%9C%BA#/media/File:Svm_max_sep_hyperplane_with_
margin.png

Daniele Grattarola. (2017). Deep Feature Extraction for Sample-Efficient
Reinforcement Learning. ResearchGate. Retrieved April 13, 2021 , from
https://www.researchgate.net/figure/A-fully-connected-neural-network-
with-two-hidden-layers_fig4_323218981
Gustavo, C. V., Luis, G. C., Javier, C. M., Jose,David, M. G., Emilio, S. O., Luis, A. C., andJose Moreno.(2004).Robust Support Vector Method for Hyperspectral Data Classification and Knowledge Discovery, IEEE
Transactionson Geoscience and Remote Sensing, 42, 7.

Girshick, R., J. Donahue, T. Darrell and J. Malik. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. IEEE International Conference on Computer Vision and Pattern Recognition (CVPR), Columbus, Ohio.

Girshick, R. (2015). Fast R-CNN. IEEE International Conference on Computer Vision (ICCV), Santiago, Chile.

Ivo Widjaja. (2003). Identifying painters from color profiles of skin patches in painting images. Retrieved April 15, 2021 , from
https://www.researchgate.net/figure/Decision-functions-of-Directed-
Acyclic-Graph-Support-Vector-Machine-Each-node_fig8_224744798

Journaux ,L., Tizon, X Foucherot, I and Gouton , P. (2006).Dimensionality reduction techniques : anoperational comparison on multispectral satellite images using unsupervised clustering. NORSIG. 2006, 242-245.

Jeremy Jordan.(2018). Setting the learning rate of your neural network. Retrieved April 15, 2021 , from https://www.jeremyjordan.me/nn-learning-rate/

Kaiming He, X. Zhang, S. Ren, J. Sun. (2015)."Deep Learning for Image
Recognition", Microsoft Research.

Kevin Butler. (2015). Pass the classification but hold the salt and pepper! ArcGIS Blog. Retrieved April 16, 2021 , from https://www.esri.com/arcgis-blog/products/product/national-government/pass-the-classification-but-hold-the-salt-and-pepper/

Mahesh, P. and Mather, P. M. (2003).Support vectorclassifiers for land cover classification. In MapIndia 2003 Image Processing and Interpretation.

Melgani, F. and L. Bruzzone. (2004). Classification of Hyperspectral Remote Sensing Images with Support Vector Machines, IEEE Transactions on Geoscience and Remote Sensing, 42, 8, 1778-1790.

Max Ferguson. (2018). Detection and Segmentation of Manufacturing Defects with Convolutional Neural Networks and Transfer Learning. Retrieved April 15, 2021 , from https://www.researchgate.net/figure/Anchor-Boxes-
at-a-certain-position-in-the-feature-map_fig8_327392506

Nicolas Hug. (2021). faster_rcnn.py.GitHub website Retrieved April 10, 2021 , from https://github.com/pytorch/vision/tree/master/torchvision

Robertson, T. V. (1973). Extraction andclassification of objects in multispectral images, Proceedings of the Conference on Machine Processing of Remotely SensedData, Purdue University, West Lafayette, 3B-27 - 3B-34.

Singh, A. and Harrison, A. (1985).Standardized principal components.
International Journal of Remote Sensing, 6(6), 883-896.

Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun. Faster R-CNN: Towards real-time object detection with region proposal networks. In Neural Information Processing Systems (NIPS), 2015.Chtseng, 2017

Verbyla.(1995). Satellite Remote Sensing of Natural Resources. UK:CRC Press.

Vapnik. V.(1998). Statistical learning theory, Wiley Inc.

Vapnik. V. and Chapelle, O.(1999). Bounds on error expectation for SVM, MIT Press.

West, Jeremy; Ventura, Dan; Warnick, Sean.(2007). Spring Research Presentation: A Theoretical Foundation for Inductive Transfer. Brigham Young University, College of Physical and Mathematical Sciences.

Walia, A. S. (2017). Types of Optimization Algorithms used in Neural Networks and Ways to Optimize Gradient Descent. Retrieved April 10, 2021, from https://anishsinghwalia.medium.com/.


電子全文 電子全文(網際網路公開日期:20270101)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top