Analiza skuteczności metod głębokiego uczenia inspirowanych super-resolution w segmentacji obszarów leśnych
Prezentacja dotyczy zastosowania metod głębokiego uczenia inspirowanych technikami super-resolution do segmentacji obszarów wysokiej roślinności. W badaniach wykorzystano obrazy satelitarne Sentinel-2 o rozdzielczości 10 m oraz maski referencyjne o wysokiej rozdzielczości utworzone na podstawie danych LiDAR. Przedstawiony zostanie proces przygotowania zbioru danych oraz porównanie architektur wykorzystujących mechanizmy rekonstrukcji szczegółów przestrzennych, oparte na połączeniach rezydualnych i gęstych w różnych konfiguracjach. Modele te zostały zaprojektowane tak, aby umożliwiać bezpośrednie przewidywanie masek segmentacyjnych o wysokiej rozdzielczości, bez pośredniej rekonstrukcji obrazów satelitarnych. Skuteczność proponowanych rozwiązań zostanie porównana z modelami bazowymi pod względem jakości segmentacji na poziomie pikseli oraz dokładności odwzorowania granic obszarów roślinności.