DUBOKO UČENJE ZA DELINEACIJU POLJOPRIVREDNIH PARCELA
Apstrakt
Najčešće korišćen izvor za dobavljanje podataka o poljoprivrednim granicama je katastar. Međutim, proces ekstrakcije katastarskih podataka je i dalje značajno manuelan proces, što neizbežno dovodi do povećane verovatnoće za grešku u merenju, kao i povećanih troškova. Jedan od mogućih načina prevazilaženja spomenutih problema je automatizacija procesa delineacije granica parcela korišćenjem satelitskih slika i metoda dubokog učenja. U ovom radu predstavljena je konvolutivna neuronska mreža za detekciju (tj. delineaciju) poljoprivrednih granica, gde se kao ulaz modela koriste multi-spektralne satelitske slike. Istrenirani model uspešno prepoznaje granice poljoprivrednih parcela i ostvaruje rezultate bolje od autora originalnog skupa podataka. Iako su ostvareni zadovoljavajući rezultati, predloženi su koraci za poboljšanje predloženog rešenja koji bi mogli dovesti do ostvarivanja robusnijih rezultata.
Reference
[2] Enemark, S., Bell, K.C., Lemmen, C. and McLaren, R., 2014, Fit-For-Purpose Land Administration, International Federation of Surveyors (FIG): Copenhagen, Denmark
[3] Masoud, K.M., Persello, C. and Tolpekin, V.A. Delineation of Agricultural Field Boundaries from Sentinel-2 Images Using a Novel Super-Resolution Contour Detector Based on Fully Convolutional Networks. Remote Sens. 2020
[4] Persello C., Tolpekin V.A., Bergado J.R. and de By R.A., 2019, Delineation of agricultural fields in smallholder farms from satellite images using fully convolutional networks and combinatorial grouping, Remote Sensing of Environment, Volume 231
[5] García-Pedrero A., Lillo-Saavedra M., Rodríguez- Esparragón D. and Gonzalo-Martín C., 2019, Deep Learning for Automatic Outlining Agricultural Parcels: Exploiting the Land Parcel Identification System, IEEE Access, vol. 7 (pp. 158223-158236)
[6] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, et al. Imagenet large scale visual recognition challenge. ArXiv:1409.0575, 2014
[7] Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V. and He, Kaiming & Zhang, Xiangyu & Ren, Shaoqing & Sun, Jian., 2016, Deep Residual Learning for Image Recognition. 770-778. 10.1109/CVPR.2016.90.
[8] Ronneberger O., Fischer P., Brox T., 2015, U-Net: Convolutional Networks for Biomedical Image Segmentation, Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015
[9] Simonyan, K. & Zisserman, A., 2014, Very Deep Convolutional Networks for Large-Scale Image Recognition
[10] Fisher Y. and Vladlen K., 2016, Multi-Scale Context Aggregation by Dilated Convolutions, International Conference on Learning Representations (ICLR)
