Aprendizado Profundo para Classificação de Cena de Imagem de Sensoriamento Remoto: Uma Revisão e Meta-Análise

A classificação de cena de imagem de sensoriamento remoto com aprendizado profundo (DL) é um campo em rápida expansão que ganhou atenção significativa nos últimos anos. Embora os artigos de revisão anteriores nesse domínio tenham sido limitados a 2020, uma revisão atualizada que mostre o progresso da pesquisa até a fase presente está faltando. Nesta revisão, exploramos os artigos recentes, fornecendo uma classificação detalhada das abordagens em três categorias principais: arquiteturas baseadas em Redes Neurais Convolucionais (CNN), baseadas em Transformadores de Visão (ViT) e baseadas em Redes Adversariais Generativas (GAN). Notavelmente, dentro da categoria baseada em CNN, refinamos ainda mais a classificação com base em metodologias e técnicas específicas empregadas. Além disso, uma nova e rigorosa meta-análise é realizada para sintetizar e analisar as descobertas de 50 artigos revisados por pares para fornecer insights valiosos neste domínio, superando o escopo dos artigos de revisão existentes. Nossa meta-análise mostra que os conjuntos de dados de cena de sensoriamento remoto mais adotados são AID (41 artigos) e NWPU-RESISC45 (40). Uma mudança de paradigma notável é observada em direção ao uso de modelos baseados em transformadores (6) a partir de 2021. Além disso, discutimos criticamente as descobertas da revisão e da meta-análise, identificando desafios e oportunidades futuras para melhoria neste domínio. Nosso estudo atualizado serve como um recurso inestimável para pesquisadores que buscam contribuir para esta área em crescimento da pesquisa.