Exploring super resolution combined with an object detector on optimizing building detection in Greenland
Author
Mäkinen, Oscar Edvard
Term
4. term
Publication year
2022
Submitted on
2022-06-01
Abstract
Dette projekt undersøger, hvordan superopløsning kan kombineres med en objektdetektor for at forbedre automatisk bygningsdetektion i grønlandske forhold. Med udgangspunkt i behovet for at vedligeholde tekniske kort over et geografisk stort og svært tilgængeligt område, afsøger projektet GAN-baserede superopløsningsmetoder og fokuserer på Real-ESRGAN efter en gennemgang af SRGAN- og ESRGAN-familien. Real-ESRGAN trænes på grønlandsk luftfotodata for at tilpasse modellen til lokale forhold, hvorefter de opskalerede billeder anvendes i en Mask-RCNN bygningsdetektor (trænet i et tidligere projekt). Resultaterne sammenlignes med detektering på lavopløselige billeder og bicubisk opskalering. På trods af at de genererede superopløsningsbilleder ikke altid fremstår visuelt overbevisende, viser pipeline’en forbedret bygningsdetektion, især for små bygninger i nærheden af større bygninger, sammenlignet med baseline-metoderne. Projektet afgrænses til SRGAN-familien, og objektdetektoren er ikke samtrænet i denne omgang. Arbejdet peger på, at superopløsning kan være et praktisk supplement til frit tilgængelige satellit- eller luftdata med henblik på mere omkostningseffektiv kortopdatering i Grønland.
This project investigates how super resolution can be combined with an object detector to improve automatic building detection under Greenlandic conditions. Motivated by the need to maintain up-to-date technical maps across a vast and remote territory, the work surveys GAN-based super resolution methods and focuses on Real-ESRGAN after reviewing the SRGAN/ESRGAN family. Real-ESRGAN is trained on aerial imagery from Greenland to tailor the model to local environments, and its upsampled outputs are fed into a Mask-RCNN building detector (trained in prior work). Detection performance on super-resolved images is compared against low-resolution inputs and bicubic interpolation. Although the GAN-produced images are not always visually appealing, the pipeline yields improved building detection, particularly for small buildings situated near larger ones, outperforming the baselines. The study is limited to the SRGAN family, and the object detector was not co-trained in this project. Overall, the results suggest that super resolution can complement freely available satellite or aerial data to support more cost-effective map updating in Greenland.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents