Segmentation of high and low vegetation in aerial imagery using deep learning

Kurzfassung

Eine der klassischen Aufgaben der Fernerkundung ist die Bodenbedeckungsanalyse mit Hilfe von Erdbeobachtungsdaten. Diese wird heutzutage mit sogenannten Verfahren des maschinellen Lernens, beispielsweise Random Forest oder Maximum Likelihood , überwacht oder unüberwacht durchgeführt. In der vorliegenden Arbeit wird eine solche Analyse auf hochaufgelösten Orthophotos spezifisch für hohe und niedrige Vegetation durchgeführt. Hierfür wurde ein überwachtes Klassifikationsverfahren gewählt, welches aktuell große Aufmerksamkeit seitens der Fernerkundung erfährt und in sehr vielen Anwendungen der Bedeckungsanalyse Einzug hält, das so genannte Deep Learning. Konkret wurde eine Form dieses Verfahrens benutzt, mit der für die Pixel eines Eingangsbildes eine Klassenzugehörig zu einer vordefinierten Klasse ermittelt werden kann. Diese Aufgabe wird im Fachjargon als Semantic Segmentation bezeichnet. Um diese Klassifikation ausführen zu können muss hierfür zunächst ein so genanntes Neuronales Netz trainiert werden. Im Gegensatz zu den gängigen Maschine-Learning-Verfahren geschieht dies iterativ und erfordert eine noch stärkere Rechenkapazität. Das Ziel dieser Arbeit ist es, die Nutzbarkeit des Verfahrens für die Vegetationsanalyse im urbanen Raum zu erproben und dessen Genauigkeit zu quantisieren . Hierfür sollte versucht werden, den von Orthophotos stammenden Pixeln eine Klassenzugehörigkeit zu einer der vordefinierten Klassen (Hohe Vegetation, Niedrige Vegetation, Hintergrund) zuzuordnen. Für das Training und die Evaluation wurden Orthophotos des ISPRS Wettbewerbs 2D Semantic Labeling Contest - Potsdam ( ISPRS) verwendet, welcher einen großen und vorgelabelter Datensatz ist. Es wurden folgende Genauigkeitsmaße für die Klassifikation ermittelt [Precision: 0.89 , Recall: 0.90, Kappa: 0.851]