Una evaluación multivisión sobre segmentación semántica apoyada por redes neuronales profundas para el bioma cerrado

Resumen

Si bien la tarea de segmentación semántica ha sido estudiada durante mucho tiempo por la comunidad de detección remota (DR), es un hecho que las redes neuronales profundas (RNPs) han llamado la atención debido al gran interés y éxito del aprendizaje profundo en varios dominios de aplicación. Incluso si hay tantos estudios y experimentos que utilizan RNPs para la segmentación semántica de DR, aún falta una evaluación multivista en profundidad que considere no solo diferentes RNPs sino también distintos tipos de imágenes (ópticas, multiespectrales) y sensores satelitales con diversas resoluciones espaciales. En este artículo, presentamos uno de estos experimentos en el que consideramos imágenes de tres satélites diferentes, es decir, Landsat-8 (30 m de resolución espacial), Sentinel-2 (10 m de resolución espacial), China-Brazil Earth Resources-4A. (CBERS-4A; 8 m de resolución espacial), tres RNPs clásicas, es decir, U-Net, DeepLabV3+, PSPNet y dos tipos de imágenes (ópticas (RGB) y multiespectrales). Nuestra área de estudio es el bioma del Cerrado brasileño y las opciones de nuestra evaluación se centraron más en el estado de la práctica. Realizamos una investigación exhaustiva y los resultados muestran que las RNPs y la resolución espacial de los sensores satelitales son más relevantes que los tipos de imágenes. Esta conclusión es interesante porque, eventualmente, los investigadores pueden depender de imágenes con menos canales (ópticos), disminuyendo el esfuerzo computacional durante el entrenamiento de las RNPs.