Skip to content

virginiasatyro/change-detection-convolutional-neural-networks

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

22 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Redes Neurais Convolucionais para Detecção de Mudança em Imagens de Satélite

├── main.ipynb
├── dataset-utl.ipynb
  • main.ipynb: script printipal;
  • dataset-utl.ipynb: script relacionado ao dataset;

TO-DO

  • entendimento do dataset;
  • tratamento do dataset;
    • augmentação das imagens;
  • treinamento da rede

Dataset

Esse dataset tem como objetivo ser útil no problema da detecção de mudanças entre imagens de satélite de diferentes datas.

No total são 24 pares de imagens multiespectrais do setélite Sentinel-2 obtidas entre 2015 e 2018. As imagens são de locais variados como o Brasil, Europa, Estados Unidos, Ásia, etc. Para cada local, existe um par de imagens de satélite de 13 bandas multiespectral obtidos pelo satélite Sentinel-2. AS imagens tem resoluções variadas - 10m, 20m e 60m.

Pixel-level change ground truth - fornecido para 14 pares de treinamento e 10 pares de treinamento.

As mudanças nesse dataset são focadas em novas construções e estradas. Pode ser utilizado para treinamento e definição de parametros para algoritmos de CD.

Por que Change Detection (CD)?

CD é um dos maiores problemas associados a àrea de análise e observação da Terra por imagens de satélite. O sistema de CD consiste em assinalar um rótulo binário por pixel baseado em um par de imagens de determinada região em diferentes tempos. O rótulo positivo indica que a àrea correspondente ao pixel foi alterada.

A definição de "mudança" varia de aplicação para aplicação, mas pode se referir a, por exemplo, mudança na vegetação, expansão urbana, derretimento polar, etc. CD é uma ferramenta poderosa na produção de mapas e análise da evolução do uso da terra, cobertura urbana, desmatamento, e outros tipos de análises multi-temporais.

Utilizar CD pode ser uma ferramenta muito útil no estudo e detecção de áreas de desmatamento. As mudanças nas áreas podem ser semânticas (do objeto em análise) ou ruidosas (variações na luminosidade, sombras, entre outras). O desafio no CD é minimizar essas variações ruidosas e enfatizar as mudanças semânticas. Geralmente, o mapa final fornece uma classificação binaria da região modificada.

Por que Deep learning?

Métodos "clássicos" x Machine Learning (ML) x Deep Learning (DL)

About

No description, website, or topics provided.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published