Találati lista | Tudóstér

001-es BibID:	BIBFORM121657
Első szerző:	Abriha Dávid (geográfus)
Cím:	Mély konvolúciós neurális hálózat alkalmazása épület detektálásra kisszámú tanító adat felhasználásával / Abriha Dávid, Enyedi Péter, Papp Melitta, Kovács Lilla, Szabó Szilárd
Dátum:	2024
Megjegyzések:	We investigated the effectiveness of the U-Net architecture for building extraction from remote sensing data using varying numbers of training images. The results showed promising performance with a few training images (94?97% validation accuracy). However, combining different data sources initially yielded poor results, but the inclusion of a small number of target image training samples significantly improved the accuracy (F1 score increased from 0.184 to 0.693).
ISBN:	978-963-490-619-3
Tárgyszavak:	Természettudományok Földtudományok könyvfejezet könyvrészlet
Megjelenés:	Az elmélet és a gyakorlat találkozása a térinformatikában XV. / (szerk.)Abriha-Molnár Vanda Éva. - p. 7-14. -
További szerzők:	Enyedi Péter (1982-) (környezettudós) Papp Melitta Kovács Lilla (Msc hallgató) Szabó Szilárd (1974-) (geográfus)
Pályázati támogatás:	K138079 OTKA
Internet cím:	Szerző által megadott URL Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM121619
Első szerző:	Kovács Lilla (Msc hallgató)
Cím:	Erdőterületek fafaj alapú osztályozása hiperspektrális műholdfelvétel felhasználásával / Kovács Lilla, Szabó Szilárd, Molnár Tamás, Abriha-Molnár Vanda Éva, Szabó Loránd, Abriha Dávid
Dátum:	2024
Megjegyzések:	Távérzékelt adatok segítségével erdővel borított területek kategorizálását végeztük el, amelynek során a célunk a leggyakrabban előforduló fafajok azonosítása volt. Egy 2021 nyarán készült hiperspektrális műholdfelvétellel (PRISMA) dolgoztunk. A sávok térbeli felbontását pankromatikus csatorna segítségével, a Gram-Schmidt féle módszerrel javítottuk fel, majd PCA-t végeztünk dimenziócsökkentés céljából. Az így kapott felvételen először 3, majd 5 kategóriával végeztük el az ML és az SVM ellenőrzött osztályba sorolási eljárásokat, amelyhez a tanító- és ellenőrzőterületek az erdészeti adatbázis alapján lettek kijelölve. Végül az eredmény leellenőrzése és annak számszerűsítésére pontosságvizsgálatot hajtottunk végre.
ISBN:	978-963-490-619-3
Tárgyszavak:	Természettudományok Földtudományok tanulmány, értekezés könyvrészlet
Megjelenés:	Az elmélet és a gyakorlat találkozása a térinformatikában XV. = Theory meets practice in GIS / szerk. Abriha-Molnár Vanda Éva. - p. 161-166. -
További szerzők:	Szabó Szilárd (1974-) (geográfus) Molnár Tamás Molnár Vanda Éva (1994-) (környezetkutató) Szabó Loránd (1991-) (geográfus) Abriha Dávid (1995-) (geográfus)
Pályázati támogatás:	K138079 OTKA KKP 144068 Egyéb
Internet cím:	Szerző által megadott URL Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM132954
Első szerző:	Szabó Szilárd (geográfus)
Cím:	Lithological mapping with pseudo-labeling: promise or overestimation in data-scarce settings? / Szilárd Szabó, Abdelmajeed A. Elrasheed, Lilla Kovács, Imre J. Holb, Szilárd Likó, Dávid Abriha
Dátum:	2025
ISSN:	2064-5031 2064-5147
Megjegyzések:	Reference data are the most crucial points in model building. In geoscience, a scarcity of sufficient reference data is common. Pseudo-labelling (PL), i.e., incorporating high-probability data in the model building process, offers a potential solution. We aimed to reveal the efficiency of PL in lithological mapping in a vegetation-free arid region of Sudan. Random Forest (RF) and Multiple Adaptive Regression Splines (MARS) were used to classify a Landsat 9 image. Reference data were collected during field work and visual interpretation. Image processing yielded classified maps with associated probability layers, from which 1000 additional traditional samples (PL data) were extracted at a 95% probability. A detailed accuracy assessment was conducted, and accuracy measures were evaluated using statistical analysis and visual inspection. MARS was found to be an ambiguous classifier because the probability was too optimistic related to the overall accuracy (OA) (81% of samples had above 99% probability, OA=98.2%) compared to RF (21% above 99%, OA=98.1%); that is, despite the high probability, the accuracy improvement was only 0.1%. At the class level, the correlation between probability and the F1-score was low (0.21%). The original and PL-based models resulted in different maps with improved accuracy, although the new model version showed lower probability values for both the classifiers. Visual inspection proved essential for better insights into the spatial patterns: expert knowledge is crucial for controlling the occurrence of rock types and identifying false classifications. The main finding is that probability should be handled carefully, as it does not guarantee high model performance in classification, although the PL approach can lead to more reliable maps
Tárgyszavak:	Természettudományok Földtudományok idegen nyelvű folyóiratközlemény hazai lapban folyóiratcikk Random Forest Multiple Adaptive Regression Splines self-training probability data augmentation
Megjelenés:	Hungarian Geographical Bulletin. - "Accepted by Publisher" (2025), p. 1-29. -
További szerzők:	Abdelmajeed, Adam Elrasheed Ali (1988-) (Geologist) Kovács Lilla (Msc hallgató) Holb Imre (1973-) (agrármérnök) Likó Szilárd Balázs Abriha Dávid (1995-) (geográfus)
Pályázati támogatás:	TÁMOP-4.1.1.C-13/1/KONV-2014-0001 SUPPORT
Internet cím:	Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: