Building footprint extraction using deep learning techniques

Abstract

Geospatial industry is getting bigger and bigger these days in addition to creating massive amount of data. Today map features such as roads, building footprints are created through manual techniques. There is not automated solution that extracts map features such as roads, building footprints from satellite imagery. Advance automated feature extraction techniques will serve important uses of map data including disaster response. SpaceNet is a commercial satellite imagery and labeled training data to foster innovation in the development of computer vision algorithms. In this paper we will give a brief explanation about image classification, object recognition processes and why deep learning is effective on object recognition, and how we can apply these concepts to our problem which is Building Footprint extraction. And we will use SpaceNet’s dataset and apply tensorflow backhand object detection model.

Coğrafi veri endüstrisi gün geçtikçe büyümekte ve ciddi anlamda büyük veri setleri oluşturmaktalar. Günümüzde yollar, binalar gibi harita özellikleri, uygu görüntüleri kullanılarak manuel tekniklerle ayırt edilebiliyor. Bu insan gücünü ortadan kaldıracak bir otomasyon henüz bulunmamakta. Olası bir otomasyon, gelecekte uydu görüntülerinin işlenip insanlık yararına kullanılabilmesine olanak sağlayacaktır. SpaceNet görüntü işlem algoritmalarını geliştirmek amacıyla her hangi bir ticari amaç gütmeden. test ve train veri setleri sağlamaktadır. Bu çalışmada, resim sınıflandırma ve obje tanıma algoritmaları ile ilgili detaylara ek olarak derin öğrenme tekniklerinin obje tanımlama algoritmalarındaki önemi ve bu teknikleri uydu görüntülerindeki binaları işaretlemek için nasıl kullanıldığı incelenmektedir.