Resumen

Con el continuo desarrollo del aprendizaje profundo en visión por computadora, la tecnología de segmentación semántica se emplea constantemente para procesar imágenes de teledetección. Por ejemplo, es una tecnología clave para marcar automáticamente objetos importantes como barcos o tierras portuarias a partir de imágenes de teledetección de áreas portuarias. Sin embargo, el modelo de segmentación semántica supervisado existente basado en aprendizaje profundo requiere un gran número de muestras de entrenamiento. De lo contrario, no podrá aprender correctamente las características de los objetos objetivo, lo que resulta en un mal rendimiento o incluso en el fracaso de la tarea de segmentación semántica. Dado que los objetos objetivo como los barcos pueden moverse de vez en cuando, es difícil recopilar suficientes muestras para lograr un rendimiento de segmentación satisfactorio. Y esto dificulta severamente la mejora del rendimiento de la mayoría de los métodos de aumento existentes. Para abordar este problema, en este artículo, proponemos un enfoque de aumento de imágenes de teledetección a nivel de objeto basado en

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Desarrollo; Aprendizaje profundo; Segmentación semántica; Imágenes de teledetección; Aumento a nivel de objeto; Redes generativas adversarias
• Keywords:Development; Deep learning; Semantic segmentation; Remote sensing images; Object-level augmentation; Generative adversarial networks