Detecção de Uso e Ocupação do Solo em Imagens de Satélite utilizando Deep Learning: Avaliação das Arquiteturas LinkNet e D-LinkNet

EasyChair Preprint 15670

Abstract

A detecção da ocupação do solo em imagens provenientes de sensoriamento remoto pode contribuir para várias aplicações nas esferas científica e social. O desenvolvimento de técnicas para realizar essa detecção foi impulsionado pelo aprimoramento de algoritmos de aprendizado profundo, como redes neurais convolucionais. Dessa forma, o presente trabalho utilizou duas arquiteturas de redes neurais, a LinkNet e a D-LinkNet, aplicando backbones distintos para realizar a segmentação da ocupação do solo em imagens de satélite de alta resolução. A arquitetura LinkNetB7, com o backbone EfficientNet-B7, demonstrou maior sensibilidade e precisão, proporcionando uma segmentação mais refinada da ocupação do solo em comparação com os demais modelos, alcançando uma acurácia de 0,91, sensibilidade de 0,93 e IoU de 0,84.

Keyphrases: Aprendizado Profundo, Backbones, Redes Neurais Convolucionais, Segmentação de Imagens de satélite, Sensoriamento Remoto

@booklet{EasyChair:15670,
  author    = {Álisson de Oliveira Alves and Luisa Christina de Souza and Luiz Eduardo Nunes Cho Luck and Raniere Rodrigues Melo de Lima and Carlos Augusto Teixeira de Moura and Wesley José dos Santos Marinho and Rafael de Medeiros Mariz Capuano and Bruno Cesar Pereira da Costa and Marina de Siqueira and Arthur Diniz Flor Torquato Fernandes and Jesaias Carvalho Pereira Silva and Pablo Javier Alsina},
  title     = {Land Use and Occupation Detection in Satellite Images Using Deep Learning: Evaluation of LinkNet and D-LinkNet Architectures},
  howpublished = {EasyChair Preprint 15670},
  year      = {EasyChair, 2025}}