TL;DR PL
W niniejszej pracy dokonano opisu oraz porównania dwóch metod segmentacji semantycz- nej terenu. Pierwsza z nich wykorzystuje głębokie sieci neuronowe (architektury DenseNet, SegNet oraz AdapNet będącą zmodyfikowaną wersją architektury ResNet), druga zaś wyko- rzystuje metodę klasyfikatorów opartą o algorytm RandomForest. Praca obejmuje teoretyczne informacje poruszonego zagadnienia oraz jej praktyczne zastosowanie. Przywołuje także rys historyczny omawianych technologii. Zarówno część działająca w oparciu o sieć neuronową jak i klasyfikatory zostaną zaprezentowane z użyciem grafik, schematów działania oraz parame- trów opisujących jakość ich klasyfikacji. W przypadku pierwszej metody sprawdzono, na ile odmienny w efektywności jest zakodowanie wysokości na dwóch róznych kanałach w przypadku zapisu informacji w formacie HSV. Druga metoda natomiast prezentuje wyniki segmentacji semantycznej dla modeli RGB, oraz HSV. Rozstrzygnięto również, która metoda okazała się bardziej efektywna.
TL;DR ENG
This thesis presents description and comparison of two methods of semantic segmentation. First of them uses deep neural networks (architectures DenseNet, SegNet and AdapNet), whereas the second one is based on RandomForest classifiers. The thesis includes theoretical informations about discussed questions and it’s practical usage. It also mentions historical view of the considered technologies. Also a part based of convolutional neural networks and classifiers will be presented by graphics, schemes and parameters which describe the quality of classification. In case of the first method it was examined, which way of notation of map elevation is better in HSV format. Whereas, the second method presented results of semantic segmentation for RGB and HSV models. It was also decided which method is more effective.