Sobre a dependência da localização das características de redes neurais convolucionais

À medida que a disponibilidade de imagens georreferenciadas aumentou, o interesse em aplicações de visão computacional relacionadas à geolocalização também cresceu, variando desde a geolocalização de imagens em grandes áreas até a extração de dados ambientais de imagens de redes sociais. Incentivados pelo recente sucesso das redes convolucionais profundas para aprender características de alto nível, investigamos a utilidade das características aprendidas de forma profunda para esses problemas. Comparamos características extraídas de várias camadas de redes neurais convolucionais e analisamos sua capacidade discriminativa em relação à localização. Nossa análise abrange vários contextos de problemas, incluindo identificação de regiões, visualização de cobertura do solo em imagens aéreas e localização de imagens de solo em regiões sem dados de referência de imagem de solo (onde alcançamos desempenho de ponta em um conjunto de dados de referência). Apresentamos resultados em vários conjuntos de dados, incluindo um novo conjunto de dados que introduzimos, contendo centenas de milhares de imagens aéreas e de nível do solo em uma grande região centrada em San Francisco.