Uma avaliação multivisão sobre segmentação semântica apoiada por redes neurais profundas para o bioma Cerrado

Resumo

Embora a tarefa de segmentação semântica tem sido estudada há muito tempo pela comunidade de sensoriamento remoto (SR), é fato que as redes neurais profundas (RNPs) têm chamado a atenção devido ao grande interesse e sucesso do aprendizado profundo em diversos domínios de aplicação. Mesmo que existam tantos estudos e experimentos utilizando RNPs para segmentação semântica de imagens de SR, ainda falta uma avaliação multivisão aprofundada considerando não apenas diferentes RNPs mas, também, tipos distintos de imagens (ópticas, multiespectrais) e sensores de satélite com diversas resoluções espaciais. Neste artigo, apresentamos uma dessas experimentações onde consideramos imagens de três satélites diferentes, ou seja, Landsat-8 (30 m de resolução espacial), Sentinel-2 (10 m de resolução espacial), Satélite Sino-Brasileiro de Recursos Terrestres-4A (CBERS-4A; 8 m de resolução espacial), três RNPs clássicas, ou seja, U-Net, DeepLabV3+, PSPNet, e dois tipos de imagens (ópticas (RGB) e multiespectrais). Nossa área de estudo é o bioma Cerrado brasileiro e as escolhas de nossa avaliação focaram mais no estado da prática. Realizamos uma investigação minuciosa e os resultados mostram que RNPs e a resolução espacial dos sensores de satélite são mais relevantes do que os tipos de imagens. Esta conclusão é interessante porque, eventualmente, pesquisadores poderão contar com imagens com menor número de canais (ópticos), diminuindo o esforço computacional durante o treinamento das RNPs.