Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/76962
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorNagul Cooharojananone-
dc.contributor.advisorPetarpa Boonserm-
dc.contributor.authorPimpisa Charoenchittang-
dc.contributor.otherChulalongkorn University. Faculty of Science-
dc.date.accessioned2021-09-21T08:55:39Z-
dc.date.available2021-09-21T08:55:39Z-
dc.date.issued2020-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/76962-
dc.descriptionThesis (M.Sc.)--Chulalongkorn University, 2020-
dc.description.abstractIn this thesis, we classify the type of main components in airports from the remote sensing images. This datasets is considered as an interesting information since the same type of component may have different shape, size, and color. EfficientNet architecture is the deep learning architecture to use in this research due to the small number of parameters and computational time compared to the other architectures with similar accuracy. In our experiment, we apply the EfficientNet in versions B0, B1, B2, B3, and B4 to classify four types of components in the airport; the passenger terminal, the radio tower, the runway, and the car park. We collect the RGB format datasets of 322 airports in Asia with a resolution of 560x560 pixels. Then,  the datasets is partitioned into  70% for the training set, 10% for the validation set, and 20% for the test set. From the experimental results, we conclude that EfficientNet-B4 is a suitable architecture for our datasets, which provides a high accuracy up to 90%.-
dc.description.abstractalternativeในวิทยานิพนธ์ฉบับนี้ ได้ทำการระบุประเภทขององค์ประกอบหลักในสนามบิน จากภาพรับรู้ระยะไกล ซึ่งเป็นชุดข้อมูลที่มีความน่าสนใจ เนื่องจากองค์ประกอบประเภทเดียวกันในแต่ละสนามบิน อาจมีความแตกต่างกันทั้งในด้านของรูปทรง ขนาด และสี สถาปัตยกรรมเครือข่ายที่มีประสิทธิภาพ (EfficientNet) เป็นสถาปัตยกรรมของการเรียนรู้ลึกที่ใช้ในงานวิจัยนี้ เนื่องจากมีการใช้จำนวนพารามิเตอร์น้อย และใช้เวลาในการคำนวณที่รวดเร็วกว่า เมื่อเทียบกับสถาปัตยกรรมอื่น ๆ ที่มีความแม่นยำใกล้เคียงกัน ในการทดลองจึงใช้ EfficientNet ในรุ่น B0 B1 B2 B3 และ B4 เพื่อระบุประเภทขององค์ประกอบหลักในสนามบินทั้งหมด 4 ประเภท ได้แก่ อาคารผู้โดยสาร หอบังคับการบิน ลานบิน และอาคารจอดรถ โดยการเก็บภาพสี RGB ที่มีความละเอียด 560x560 พิกเซล จากสนามบินทั้งหมด 322 แห่งในทวีปเอเชีย และแบ่งชุดข้อมูลสำหรับชุดการเรียนรู้ 70 เปอร์เซ็นต์ ชุดการตรวจสอบ 10 เปอร์เซ็นต์ และชุดการทดสอบ 20 เปอร์เซ็นต์ ผลการทดลองสรุปได้ว่า EfficientNet รุ่น B4 เป็นสถาปัตยกรรมที่เหมาะสมกับงานนี้ที่สุด โดยมีความแม่นยำสูงถึง 90 เปอร์เซ็นต์-
dc.language.isoen-
dc.publisherChulalongkorn University-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2020.7-
dc.rightsChulalongkorn University-
dc.subject.classificationComputer Science-
dc.titleClassification of main components in airports from remote sensing images by efficient network-
dc.title.alternativeการระบุประเภทขององค์ประกอบหลักในสนามบินจากภาพรับรู้ระยะไกลโดยเครือข่ายที่มีประสิทธิภาพ-
dc.typeThesis-
dc.degree.nameMaster of Science-
dc.degree.levelMaster's Degree-
dc.degree.disciplineApplied Mathematics and Computational Science-
dc.degree.grantorChulalongkorn University-
dc.identifier.DOI10.58837/CHULA.THE.2020.7-
Appears in Collections:Sci - Theses

Files in This Item:
File Description SizeFormat 
6172023023.pdf10.55 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.