Negli ultimi anni il deep learning ha permesso di raggiungere risultati molto significativi in diversi ambiti relativi al telerilevamento satellitare. Il presente progetto di ricerca si inserisce in questo contesto, ponendosi l'obiettivo di sviluppare una procedura affidabile per l'elaborazione di immagini satellitari attraverso tecniche di deep learning finalizzata alla generazione di prodotti quali mappe semantiche e modelli digitali della superficie (DSM).
Per quanto riguarda il primo task, utilizzando architetture di reti neurali quali ad esempio U-Net e SegNet, è gia' nota la possibilita' di ottenere ottimi risultati nella produzione di mappe di Land Cover e di Land Use, impiegando come input diversi tipi di bande a seconda delle specifiche tipologie di immagini (es. immagini multi-spettrali, pancromatiche, radar, ecc...) considerate.
In riferimento alla generazione di DSM (che sono una rappresentazione della morfologia del terreno in formato digitale) tramite algoritmi di data science, è possibile produrre delle disparity map utilizzando un approccio data-driven, riducendo il processo di trial-and-error per l'identificazione dei valori ottimali degli iperparametri di diversi algoritmi deterministici, ad oggi ancora ampiamente utilizzati (come il SemiGlobal Matching).
Diverse sono le architetture che già ottengono risultati comparabili allo stato dell'arte, come ad esempio DenseMapNet o FADNet, ma indagini ulteriori sono necessarie in quanto la maggior parte degli esempi è relativa a immagini di piccole dimensioni, non realistiche in condizioni standard. Inoltre, rimane da esplorare un approccio multi-view, in cui tali prodotti possano essere ottenuti con un numero qualunque di immagini, ottenendo risultati migliori rispetto alla completezza e sfruttando nel modo più completo ed efficiente le grandi quantità di immagini che saranno disponibili in breve tempo grazie alla costellazioni di satelliti con sensori ottici e SAR.
La ricerca, senza dubbio, si propone come sfidante, tuttavia, con buona ragionevolezza, si ha motivo di pensare che vi sia un discreto spazio di manovra all'interno del quale poter realizzare un avanzamento delle conoscenze rispetto allo stato dell'arte.
Difatti, fra le architetture di deep learning precedentemente citate, ve ne sono diverse che non sono state ancora ampiamente testate per task di remote sensing.
Questo lascia, dunque, credere che si possano ottenere dei risultati in grado di migliorare lo stato dell'arte sia rispetto ad approcci tradizionali (si veda ad esempio il SemiGlobal Matching nel campo della produzione di disparity map), sia rispetto a metodi basati su modelli di deep learning.
Tali possibili migliorie sarebbero chiaramente riproducibili e, dunque, di vantaggio per tutta la comunità.
Inoltre, la creazione di una pipeline solida e riutilizzabile sarebbe di certo un fattore innovativo, che permetterebbe di automatizzare maggiormente la catena di processamento standard delle immagini satellitari che, per alcuni versi, ancora oggi si basa su un processo di trial-and-error.