Un modèle contemporain pour la segmentation des images satellites utilisant des réseaux neuronaux à travers le modèle U-Net

L'analyse et l'identification de la flore végétale, des régions, des routes et l'indication des ressources en eau présentes sont cruciales pour la progression continue et l'augmentation des régions éloignées dans le monde entier. La segmentation des images satellites n'a jamais été une tâche facile, car elle n'est pas seulement catégorisée selon ce qui est présenté dans les images satellites, mais est également analysée au niveau de chaque pixel. Ici, notre objectif principal est d'obtenir une représentation cartographique à partir d'une image satellite. Nous avons démontré et établi un classificateur d'images satellites efficace et robuste dont la tâche est de détecter et d'extraire avec précision des données dans les images satellites, qui sont essentiellement de la catégorie des terres, de l'eau, des bâtiments, de la végétation et des routes. La partie cruciale du travail présenté est le modèle U-Net, qui est basé sur le modèle CNN ; le modèle proposé est plus précis, robuste et efficace pour l'ensemble du système de prédiction pour des images satellites variées. La segmentation est réalisée à l'aide de quelques réseaux neuronaux convolutifs U-Net. U-Net est considéré comme l'un des F-CNN (réseaux neuronaux entièrement convolutifs). La forme plus sophistiquée de CNN, connue sous le nom de F-CNN, se concentre principalement sur les problèmes de segmentation, tandis que le CNN ne l'utilise que pour les problèmes de classification. Le F-CNN nous aide à réduire le nombre de paramètres du réseau dans une large mesure en n'utilisant pas de couches connectées.