Academic Journal
multi-view evaluation on semantic segmentation supported by deep neural networks for the Cerrado biome
| Title: | multi-view evaluation on semantic segmentation supported by deep neural networks for the Cerrado biome |
|---|---|
| Authors: | Santiago Júnior, Valdivino Alexandre de, Miranda, Mateus, Rodrigues, Marcos, Silva, Baggio, Körting, Thales, Santiago Júnior, Valdivino |
| Source: | Revista Geoaraguaia; Vol. 15 No. 1 (2025): Revista Geoaraguaia; 1-24 Revista Geoaraguaia; v. 15 n. 1 (2025): Revista Geoaraguaia; 1-24 |
| Publisher Information: | Universidade Federal de Mato Grosso - UFMT Araguaia, 2025. |
| Publication Year: | 2025 |
| Subject Terms: | Evaluación multivista, Segmentación semántica, Deep neural networks, Multi-view evaluation, Redes neurais profundas, Cerrado, Avaliação multivisão, Semantic segmentation, Segmentação semântica, Redes neuronales profundas |
| Description: | 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. Embora a tarefa de segmentação semântica tem sido estudada há muito tempo pela comunidade de sensoriamento remoto (SR), é fato que as redes neurais profundas (RNPs) têm chamado a atenção devido ao grande interesse e sucesso do aprendizado profundo em diversos domínios de aplicação. Mesmo que existam tantos estudos e experimentos utilizando RNPs para segmentação semântica de imagens de SR, ainda falta uma avaliação multivisão aprofundada considerando não apenas diferentes RNPs mas, também, tipos distintos de imagens (ópticas, multiespectrais) e sensores de satélite com diversas resoluções espaciais. Neste artigo, apresentamos uma dessas experimentações onde consideramos imagens de três satélites diferentes, ou seja, Landsat-8 (30 m de resolução espacial), Sentinel-2 (10 m de resolução espacial), Satélite Sino-Brasileiro de Recursos Terrestres-4A (CBERS-4A; 8 m de resolução espacial), três RNPs clássicas, ou seja, U-Net, DeepLabV3+, PSPNet, e dois tipos de imagens (ópticas (RGB) e multiespectrais). Nossa área de estudo é o bioma Cerrado brasileiro e as escolhas de nossa avaliação focaram mais no estado da prática. Realizamos uma investigação minuciosa e os resultados mostram que RNPs e a resolução espacial dos sensores de satélite são mais relevantes do que os tipos de imagens. Esta conclusão é interessante porque, eventualmente, pesquisadores poderão contar com imagens com menor número de canais (ópticos), diminuindo o esforço computacional durante o treinamento das RNPs. While the semantic segmentation task has long been studied by the remote sensing (RS) community, it is a fact that deep neural networks (DNNs) have drawn attention due to the great interest and success of deep learning in several application domains. Even if there are so many studies and experiments using DNNs for RS semantic segmentation, an in-depth multi-view evaluation considering not only different DNNs but also distinct types of images (optical, multispectral) and satellite sensors with diverse spatial resolutions is still missing. In this article, we present one of such an experimentation where we considered images of three different satellites, i.e. Landsat-8 (30 m of spatial resolution), Sentinel-2 (10 m of spatial resolution), China-Brazil Earth Resources-4A (CBERS-4A; 8 m of spatial resolution), three classical DNNs, i.e. U-Net, DeepLabV3+, PSPNet, and two types of images (optical (RGB) and multispectral). Our study area is the Brazilian Cerrado biome and the choices of our evaluation focused more on the state-of-the-practice. We performed a thorough investigation and results show that DNNs and spatial resolution of satellite sensors are more relevant than the types of images. This conclusion is interesting because, eventually, researchers may rely on images with less number of channels (optical), decreasing the computational effort during training the DNNs. |
| Document Type: | Article |
| File Description: | application/pdf |
| Language: | Portuguese |
| ISSN: | 2236-9716 |
| Access URL: | https://periodicoscientificos.ufmt.br/ojs/index.php/geo/article/view/17295 |
| Accession Number: | edsair.revistasumft..569f48cfe9e32d83c239c6b0a6dfdaec |
| Database: | OpenAIRE |
| ISSN: | 22369716 |
|---|