Detecção de Uso e Ocupação do Solo em Imagens de Satélite utilizando Deep Learning: Avaliação das Arquiteturas LinkNet e D-LinkNet

Authors

  • Alisson de Oliveira Alves Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte, Natal, Brasil ; Departamento de Engenharia Industrial, Universidade de Nápoles Federico II, Nápoles, Itália
  • Luisa Christina de Souza Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte, Natal, Brasil ; Departamento de Engenharia Industrial, Universidade de Nápoles Federico II, Nápoles, Itália
  • Luiz Eduardo Nunes Cho Luck Instituto SENAI de Inovação em Energias Renováveis, Natal, Brasil
  • Raniere Rodrigues Melo de Lima Instituto SENAI de Inovação em Energias Renováveis, Natal, Brasil
  • Carlos Augusto Teixeira Instituto SENAI de Inovação em Energias Renováveis, Natal, Brasil
  • Wesley José dos Santos Marinho Instituto SENAI de Inovação em Energias Renováveis, Natal, Brasil
  • Rafael de Medeiros Mariz Capuano Instituto SENAI de Inovação em Energias Renováveis, Natal, Brasil
  • Bruno Cesar Pereira da Costa Instituto SENAI de Inovação em Energias Renováveis, Natal, Brasil
  • Marina de Siqueira Instituto SENAI de Inovação em Energias Renováveis, Natal, Brasil
  • Arthur Diniz Flor Torquato Fernandes Departamento de Engenharia Industrial, Universidade de Nápoles Federico II, Nápoles, Itália
  • Jesaias Carvalho Pereira Silva Instituto SENAI de Inovação em Energias Renováveis, Natal, Brasil
  • Pablo Javier Alsina Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte, Natal, Brasil

Keywords:

Deep Learning, Convolutional Neural Networks, Remote sensing, Satellite Image Segmentation, Backbones

Abstract

Detection of land cover in remote sensing images can contribute to various scientific and social applications. The development of techniques for this detection has been driven by advancements in deep learning algorithms, such as convolutional neural networks. Thus, this study employed two neural network architectures, LinkNet and D-LinkNet, using different backbones to perform land cover segmentation in high-resolution satellite images. The LinkNetB7 architecture, with EfficientNet-B7 as backbone, demonstrated higher sensitivity and precision, providing a more refined segmentation of land cover compared to other models, achieving an accuracy of 0,91, a sensitivity of 0,93 and a IoU of 0,84.

Downloads

Published

2024-10-18

Issue

Vol. 4 No. 1 (2024): CBA2024

Section

Articles