Ricerc@Sapienza

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.