Apprendimento Profondo per la Segmentazione di Immagini di Telerilevamento

L'Apprendimento Profondo per la Segmentazione di Immagini di Telerilevamento applica reti neurali convoluzionali e architetture encoder-decoder per classificare e delineare automaticamente oggetti in immagini satellitari o aeree a livello di pixel. Riveduto sistematicamente da Zhu et al. (2017) nella IEEE Geoscience and Remote Sensing Magazine, questo paradigma ha unificato approcci precedentemente frammentati — classificazione di scene, rilevamento di oggetti e segmentazione semantica — sotto un unico framework di caratteristiche apprese capace di sfruttare la ricchezza spaziale, spettrale e temporale dei dati di telerilevamento.