AUTOMATISATION DE L'EXTRACTION DES CARACTÉRISTIQUES DES ROUTES À PARTIR D'IMAGES À HAUTE RÉSOLUTION

La détection des caractéristiques routières à partir d'images de télédétection est cruciale pour le maintien d'un réseau routier actualisé et fiable, essentiel pour le transport, la planification des urgences et la navigation. Bien que les réseaux neuronaux convolutionnels se soient révélés prometteurs pour l'automatisation de ce processus, les méthodes existantes sacrifient souvent la précision à la complexité. Cette étude vise à développer une méthode précise d'extraction des routes sans sacrifier l'efficacité des calculs. Nous proposons un réseau neuronal de segmentation sémantique combinant l'apprentissage par transfert et l'architecture U-net avec une complexité minimale. Des techniques de post-traitement sont utilisées pour améliorer la qualité des résultats. Notre méthode atteint un score F1 de 0,83 et une précision de 95,57 %, surpassant les autres modèles sur l'ensemble de données du Massachusetts. Cette approche démontre des performances supérieures et une complexité de réseau réduite par rapport aux méthodes existantes.

Autorentext

Prasadi Senadeera est une analyste géospatiale expérimentée, spécialisée dans les technologies géospatiales et la science des données. Son désir de devenir chercheur dans le domaine de la télédétection et de contribuer à un monde durable provient d'une passion profonde pour la conservation de l'environnement et l'innovation technologique.

Klappentext

La détection des caractéristiques routières à partir d'images de télédétection est cruciale pour le maintien d'un réseau routier actualisé et fiable, essentiel pour le transport, la planification des urgences et la navigation. Bien que les réseaux neuronaux convolutionnels se soient révélés prometteurs pour l'automatisation de ce processus, les méthodes existantes sacrifient souvent la précision à la complexité. Cette étude vise à développer une méthode précise d'extraction des routes sans sacrifier l'efficacité des calculs. Nous proposons un réseau neuronal de segmentation sémantique combinant l'apprentissage par transfert et l'architecture U-net avec une complexité minimale. Des techniques de post-traitement sont utilisées pour améliorer la qualité des résultats. Notre méthode atteint un score F1 de 0,83 et une précision de 95,57 %, surpassant les autres modèles sur l'ensemble de données du Massachusetts. Cette approche démontre des performances supérieures et une complexité de réseau réduite par rapport aux méthodes existantes.