Opracowanie skutecznej metody wykrywania niewielkich budynków na zdjęciach satelitarnych

Celem projektu jest opracowanie skutecznej metody wykrywania niewielkich budynków na zdjęciach satelitarnych. Małe budynki to nieprzekraczające wymiaru 10 x 10 metrów, odpowiadające pojedynczemu pikselowi zdjęcia w bazie Sentinel-2. Zagadnienie wykrywania małych budynków stanowi ważne wyzwanie w kontekście wielu dziedzin nauki oraz sektorów gospodarki, takich jak urbanistyka, rolnictwo, zarządzanie kryzysowe. Wybrane zastosowanie obejmują monitorowanie infrastruktury w obszarach wiejskich lub trudnodostępnych, schronień dla uchodźców, ocenę zniszczeń wojennych lub żywiołowych, identyfikację niezarejestrowanych budynków.

Klasyczne metody segmentacji i klasyfikacji obrazów satelitarnych, takie jak sieci U-Net z ResNet, mają ogromną skuteczność w sytuacjach, gdy mały budynek jest zlokalizowany na pograniczu pikseli i segmentacja jest utrudniona, oraz w przypadku złożonego otoczenia, na przykład cieni lub roślinności. Obiecującą metodą jest uzupełnienie metod segmentacji i klasyfikacji o algorytmy detekcji, takie jak np. YOLO. Algorytm YOLO jest z powodzeniem stosowany do detekcji obiektów w obrazach różnego typu, a jego najnowsza wersja – YOLOv8 – wykazuje dużą skuteczność detekcji niewielkich obiektów w obrazach teledetekcyjnych [1], adaptacji do konkretnych rodzajów obiektów widocznych na zdjęciach lotniczych (np. samochodów [2]), czy precyzyjnego wykrywania struktur zieleni [3], istotnego ze względu na obszar problemowy (małe budynki często otoczone są terenami zielonymi).

Projekt bazuje na opracowanych w ramach współpracy IITIS PAN i CBK PAN zestawach danych obrazowych Sentinel-2 i weryfikacyjnych na podstawie bazy m. in. Budynków Database of Topographic Objects (BDOT) oraz implementacji modeli referencyjnych (U-Net + ResNet, VIT). Dzięki  temu możliwa będzie koncentracja prac nad wartością dodaną przez rozszerzenie przetwarzania danych o algorytm detekcji, co zmniejszy ryzyko i skróci czas przygotowania artykułu.

Przypisy:
[1] Y. Zhang, M. Ye, G. Zhu, Y. Liu, P. Guo and J. Yan, “FFCA-YOLO for Small Object Detection in Remote Sensing Images” in IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1-15, 2024, Art no. 5611215, doi: 10,1109/TGRS.2024.3363057

[2] C. Zhao, D. Guo, C. Shao, K. Zhao, M. Sun and H. Shuai, “SatDetX-YOLO: A More Accurate Method for Vehicle Target Detection in Satellite Remote Sensing Imagery”, in IEEE Access, vol. 12, pp. 46024-46041, 2024, doi: 10.1109/ACESS.2024.3382245

[3] Ranjan Sapkota, Dawood Ahmed, Manoj Karkee, Comparing YOLOv8 and Mask R-CNN for instance segmentation in complex orchard environments, Artificial Intelligence in Agriculture, Volume 13, 2024, pages 84-99, ISSN 2589-7217, doi: 10.1016/j.aiia.2024.07.001

Numer projektu: 

IITIS/BW/06/25

Termin: 

od 01/02/2025 do 30/04/2025

Typ projektu: 

Badania własne

Wykonawcy projektu: 

Anna Zawadzka

Kierownik zespołu / promotor: 

dr hab. inż. Przemysław Głomb

Historia zmian

Data aktualizacji: 18/02/2025 - 14:20; autor zmian: Katarzyna Chmelik (kchmelik@iitis.pl)

Celem projektu jest opracowanie skutecznej metody wykrywania niewielkich budynków na zdjęciach satelitarnych. Małe budynki to nieprzekraczające wymiaru 10 x 10 metrów, odpowiadające pojedynczemu pikselowi zdjęcia w bazie Sentinel-2. Zagadnienie wykrywania małych budynków stanowi ważne wyzwanie w kontekście wielu dziedzin nauki oraz sektorów gospodarki, takich jak urbanistyka, rolnictwo, zarządzanie kryzysowe. Wybrane zastosowanie obejmują monitorowanie infrastruktury w obszarach wiejskich lub trudnodostępnych, schronień dla uchodźców, ocenę zniszczeń wojennych lub żywiołowych, identyfikację niezarejestrowanych budynków.

Klasyczne metody segmentacji i klasyfikacji obrazów satelitarnych, takie jak sieci U-Net z ResNet, mają ogromną skuteczność w sytuacjach, gdy mały budynek jest zlokalizowany na pograniczu pikseli i segmentacja jest utrudniona, oraz w przypadku złożonego otoczenia, na przykład cieni lub roślinności. Obiecującą metodą jest uzupełnienie metod segmentacji i klasyfikacji o algorytmy detekcji, takie jak np. YOLO. Algorytm YOLO jest z powodzeniem stosowany do detekcji obiektów w obrazach różnego typu, a jego najnowsza wersja – YOLOv8 – wykazuje dużą skuteczność detekcji niewielkich obiektów w obrazach teledetekcyjnych [1], adaptacji do konkretnych rodzajów obiektów widocznych na zdjęciach lotniczych (np. samochodów [2]), czy precyzyjnego wykrywania struktur zieleni [3], istotnego ze względu na obszar problemowy (małe budynki często otoczone są terenami zielonymi).

Projekt bazuje na opracowanych w ramach współpracy IITIS PAN i CBK PAN zestawach danych obrazowych Sentinel-2 i weryfikacyjnych na podstawie bazy m. in. Budynków Database of Topographic Objects (BDOT) oraz implementacji modeli referencyjnych (U-Net + ResNet, VIT). Dzięki  temu możliwa będzie koncentracja prac nad wartością dodaną przez rozszerzenie przetwarzania danych o algorytm detekcji, co zmniejszy ryzyko i skróci czas przygotowania artykułu.

Przypisy:
[1] Y. Zhang, M. Ye, G. Zhu, Y. Liu, P. Guo and J. Yan, “FFCA-YOLO for Small Object Detection in Remote Sensing Images” in IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1-15, 2024, Art no. 5611215, doi: 10,1109/TGRS.2024.3363057

[2] C. Zhao, D. Guo, C. Shao, K. Zhao, M. Sun and H. Shuai, “SatDetX-YOLO: A More Accurate Method for Vehicle Target Detection in Satellite Remote Sensing Imagery”, in IEEE Access, vol. 12, pp. 46024-46041, 2024, doi: 10.1109/ACESS.2024.3382245

[3] Ranjan Sapkota, Dawood Ahmed, Manoj Karkee, Comparing YOLOv8 and Mask R-CNN for instance segmentation in complex orchard environments, Artificial Intelligence in Agriculture, Volume 13, 2024, pages 84-99, ISSN 2589-7217, doi: 10.1016/j.aiia.2024.07.001