Uzaktan Algılama Görüntü Bölütlemesi için Derin Öğrenme
Deep Learning for Remote Sensing Image Segmentation · Ayrıca şöyle bilinir: Deep Learning Remote Sensing, DL-based Remote Sensing Analysis, Neural Remote Sensing Segmentation, Derin Uzaktan Algılama
Uzaktan Algılama Görüntü Bölütlemesi için Derin Öğrenme, uydu veya hava görüntüleri üzerinde pikseller düzeyinde nesneleri otomatik olarak sınıflandırmak ve sınırlamak için evrişimli sinir ağlarını ve kodlayıcı-kod çözücü mimarilerini uygular. Zhu ve ark. (2017) tarafından IEEE Geoscience and Remote Sensing Magazine'de sistematik olarak incelenen bu paradigma, daha önce parçalanmış yaklaşımları – alan sınıflandırması, nesne tespiti ve anlamsal bölütleme – uzaktan algılama verilerinin mekansal, spektral ve zamansal zenginliğini kullanabilen tek bir öğrenilmiş özellik çerçevesi altında birleştirdi.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Büyük hacimli etiketlenmiş uydu veya hava görüntüleri olduğunda ve piksel düzeyinde hassas arazi örtüsü haritalaması, değişiklik tespiti veya büyük ölçekli nesne sınırlaması gerektiğinde derin uzaktan algılama bölütlemesi uygulayın. Yöntem, yeterli etiketlenmiş eğitim verisi, eğitim ve hedef sahneler arasında makul spektral tutarlılık ve GPU donanımına erişim varsayar. Etiketlenmiş verilerin az olduğu, görüntü çözünürlüklerinin tutarsız olduğu veya yorumlanabilir kural tabanlı tahminlerin gerekli olduğu durumlarda daha az uygundur. Sınırlı etiketlerle daha kaba haritalama için nesne tabanlı görüntü analizi veya geleneksel maksimum olabilirlik sınıflandırıcılarını düşünün.
Güçlü yönler & sınırlılıklar
- El yapımı özellik mühendisliğini ortadan kaldırarak hiyerarşik mekansal ve spektral özellikleri otomatik olarak öğrenir
- Eğitildikten sonra büyük coğrafi alanlara ölçeklenir, ülke veya kıta ölçeğinde verimli haritalama sağlar
- Kodlayıcı-kod çözücü mimarileri, anlamsal bağlamı korurken mekansal ayrıntıları korur ve yüksek çözünürlüklü bölütleme maskeleri üretir
- Çoklu dal veya füzyon ağı tasarımları aracılığıyla çoklu sensör verilerine (optik, SAR, LiDAR) kolayca uyum sağlar
- Uzaktan algılama uygulamaları için üretilmesi pahalı ve zaman alıcı olan büyük, doğru etiketlenmiş eğitim veri kümeleri gerektirir
- Model performansı, test görüntüleri eğitim dağılımından spektral veya zamansal olarak farklı olduğunda bozulur (alan kayması)
- Hesaplama açısından yoğun eğitim, düşük kaynaklı ortamlarda mevcut olmayabilecek önemli GPU kaynakları gerektirir
- Çıktılar doğası gereği yorumlanabilir değildir; belirli bir piksel sınıflandırmasını hangi spektral veya mekansal ipuçlarının yönlendirdiğini açıklamak önemsiz değildir
SSS
Derin uzaktan algılama bölütlemesi için tipik olarak ne kadar etiketlenmiş eğitim verisi gereklidir?
Gereksinimler mimariye ve sahne karmaşıklığına göre değişir, ancak pratik kıyaslamalar, kararlı yakınsama elde etmek için hedef sınıf başına en az birkaç bin etiketlenmiş görüntü yaması (örneğin, 256×256 piksel) olduğunu göstermektedir. ImageNet veya coğrafi temel modellerden transfer öğrenmesi, bu gereksinimi önemli ölçüde azaltabilir, bazen yalnızca kod çözücü başlığını ince ayar yaparken yüzlerce etiketlenmiş örnekle yeterli performansa olanak tanır.
Derin uzaktan algılama modelleri standart RGB'nin ötesinde çok spektral veya hiperspektral görüntüleri işleyebilir mi?
Evet. Girdi evrişimli katmanı, istenen sayıda bandı (örneğin, 4 bantlı RGBI veya 200 bantlı hiperspektral) kabul edecek şekilde yeniden tasarlanır. Bazı mimariler, en bilgilendirici spektral kanalları ağırlıklandırmak için bant dikkat mekanizmaları içerirken, diğerleri mekansal ve spektral boyutları birlikte kullanmak için 3D evrişimler kullanır. Önceden eğitilmiş RGB ağırlıkları, ek bantlar için filtrelerin ortalaması alınarak veya kopyalanarak genellikle kısmen yeniden kullanılır.
Uzaktan algılama bölütlemesi bağlamında alan adaptasyonu nedir?
Alan adaptasyonu, bir coğrafi bölgeden veya edinme koşulundan alınan görüntüler üzerinde eğitilmiş bir modelin farklı bir hedef alana uygulandığında doğruluk cezasını azaltan tekniklere atıfta bulunur. Yaygın stratejiler arasında düşmanca özellik hizalaması, etiketlenmemiş hedef görüntüler üzerinde sözde etiketli kendi kendine eğitim ve spektral dağılımların histogram eşleştirmesi yer alır. Adaptasyon olmadan, modeller genellikle spektral olarak benzer ancak coğrafi olarak farklı arazi örtüsü türlerini yanlış sınıflandırır.
Kaynaklar
- Zhu, X. X., et al. (2017). Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 5(4), 8–36. DOI: 10.1109/MGRS.2017.2762307 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Deep Learning for Remote Sensing Image Segmentation. ScholarGate. https://scholargate.app/tr/remote-sensing/deep-remote-sensing
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Nesne Tabanlı Görüntü Analizi (OBIA)Uzaktan algılama↔ karşılaştır
- U-NetDerin öğrenme↔ karşılaştır