Terug naar projecten
Computer vision99,49% accuraatheid

EuroSAT Satellite Classification

Transfer learning voor satellietbeeldclassificatie met focus op hoge accuraatheid en reproduceerbare evaluatie.

Projectoverzicht

Categorie
Computer vision
Metric
99,49% accuraatheid
Stack
PythonPyTorchTensorFlowKerasTransfer learningComputer visionNeural networks

Highlights

  • 99,49% accuraatheid op de EuroSAT all-bands dataset
  • Focus op reproduceerbare evaluatie en zorgvuldige rapportering
  • Vergelijking met gevonden literatuurresultaat van 98,57%, zonder formele benchmarkclaim
  • Toepassing van deep learning op multispectrale satellietbeelden

Context

Satellietbeelden bevatten meerdere spectrale banden en vragen om robuuste classificatie tussen gelijkaardige landgebruikklassen.

Aanpak

CNN-architectuur ontwikkeld en transfer learning toegepast met preprocessing, modelvergelijking en evaluatie op de EuroSAT all-bands dataset.

Technologieën

De gebruikte stack is gekozen rond de technische kern van het project: AI, optimalisatie, software engineering of webontwikkeling.

PythonPyTorchTensorFlowKerasTransfer learningComputer visionNeural networks

Resultaat

Behaalde 99,49% accuraatheid op de EuroSAT all-bands dataset. Dit resultaat ligt boven het door mij gevonden literatuurresultaat, maar verdere publieke validatie is nodig voor een formele benchmarkclaim.

Wat ik geleerd heb

Sterker inzicht in datavoorbereiding, modelvergelijking, evaluatiemetrics en zorgvuldig rapporteren van AI-resultaten.