Analiza modeli generatywnych w teledetekcji: przegląd kompleksowy

Teledetekcja umożliwia systematyczną obserwację powierzchni Ziemi za pomocą zdjęć lotniczych i satelitarnych, znajdując szerokie zastosowanie w wielu dziedzinach, od monitorowania środowiska po planowanie urbanistyczne. Ostatnie postępy w modelach głębokiego uczenia znacznie poprawiły analizę danych teledetekcyjnych; jednak modele te często wymagają dużych ilości wysokiej jakości danych oznaczonych, które są trudne i kosztowne do uzyskania ze względu na ograniczenia rozdzielczości czujników i pozyskiwania danych. Generatywne sieci przeciwstawne (Generative Adversarial Networks – GAN), klasa głębokich modeli generatywnych, stały się przełomowym rozwiązaniem poprzez syntezę realistycznych danych i poprawę odporności modeli w środowiskach o ograniczonej ilości danych. Oprócz rozszerzenia danych, sieci GAN ułatwiają realizację kluczowych zadań teledetekcyjnych, takich jak superrozdzielczość obrazu, usuwanie chmur, tłumaczenie multimodalne i wykrywanie zmian. Ich zdolność do modelowania złożonych rozkładów danych i przeprowadzania uczenia przeciwstawnego sprawia, że są one szczególnie skuteczne w radzeniu sobie z wyzwaniami, takimi jak szum, luki w rozdzielczości i rozbieżności między dziedzinami. Niniejszy przegląd zawiera kompleksowy opis architektur sieci GAN, bada ich różnorodne zastosowania w teledetekcji, omawia odpowiednie wskaźniki oceny oraz podkreśla kluczowe wyzwania i możliwości dla przyszłych badań.