Uydu görüntülemede derin öğrenme kullanılarak yol bölütleme

Yol bölümlendirme problemleriyle başa çıkmak için, birkaç farklı yaklaşım göstereceğiz. Diğerleri kodlayıcı-Kod çözücü yöntemine, bazıları çekişmeli üretici ağ (GAN) tekniğine ve diğerleri tamamen evrişimli bir ağ üzerine dayanır. Kodlayıcı-Kod çözücü ve çekişmeli üretici ağdan yararlanan yaklaşımlar, umut vaat ediyor gibi görünmektedir. Kodlayıcı-Kod çözücü derin evrişimli sinir ağlarının birçok bölütleme problemindeki üstün performansı nedeniyle, amacımız, DCEP ağını birincil temel model olarak kullanan tüm yeni model mimarilerini iki açık kaynak veri seti DeepGlope ve Massachusetts üzerinde uygulamaktır. Farklı görüntü bölümleme veri kümeleri için mükemmel performans gösteren en yaygın kodlayıcı-kod çözücü modellerini seçiyoruz. Deneylerimiz için Unet, FPN, PSPNet, Unet++, PAN. LinkNet. DeepLab-v3, DeepLab-v3+ ve MA-Net tercih ediyoruz ve sonuca göre de kısa bir karşılaştırma yapacağız. İkili filtreli ve ikili filtresiz kullandığımız her bir modelin sonuçlarını gösteriyoruz ve Massachusetts veri setindeki tüm modeller için sonuçların IOU (birleşimden kesişme) ve Dice kaybının nasıl çok benzer olduğunu gösteriyoruz. Model performansını iyileştirmek amacıyla, ayrıca farklı veri büyütme parametreleri kullanıyoruz, ancak, sonuçlar bu veri kümesi için aynıdır. Unet modeli, 95.46% doğruluk oranıyla DeepGlobe veri seti için en yüksek IOU'ya sahiptir.