Συζήτηση:Αρχική σελίδα
Από RemoteSensing Wiki
Εισαγωγή Ο συνεχώς αυξανόμενος ανθρώπινος πληθυσμός και η ανάπτυξη της τεχνολογίας οδήγησαν σε μια ολοένα μεγαλύτερη εξαφάνιση και καταστροφή των ελληνικών υγροτόπων. Για το λόγο αυτό η ανάγκη άμεσης προστασίας και διαχείρισής τους, είναι πλέον επιτακτική. Στην παρούσα εργασία τονίζεται η συμβολή των αναπτυξιακών εργαλείων της Τηλεπισκόπησης και των Γ.Σ.Π. στην προστασία και την αξιοποίηση των υγροτόπων. Αντικείμενο της συγκεκριμένης εργασίας αποτελεί η μελέτη ανθρωπογενούς παρέμβασης σε μια οικολογικά ευαίσθητη περιοχή και στόχος της είναι η ανάδειξη της δυναμικής των τεχνικών και μεθοδολογιών της Τηλεπισκόπησης και η συμβολή της στην λήψη αποφάσεων για την διαμόρφωση της περιοχής
Τηλεπισκόπηση στους υγροβιότοπους Η Τηλεπισκόπηση είναι μια σύγχρονη τεχνολογία για την συλλογή στοιχείων που αφορούν το περιβάλλον, την ατμόσφαιρα, το νερό και τη βλάστηση, με αξιόπιστες μεθόδους. Η δορυφορική τηλεπισκόπηση χρησιμοποιείται για την χαρτογράφηση και καταγραφή των αλλαγών κάλυψης γης. Πλεονέκτημά της αποτελεί το γεγονός της συλλογής δεδομένων με μεγάλη συχνότητα αλλά και ακρίβεια, παρέχοντας πληροφορίες τόσο για τα φασματικά χαρακτηριστικά των στοιχείων κάλυψης/χρήσης γης, αλλά και για το χώρο, το σχήμα και το μέγεθός τους.
Εργαλεία Στην συγκεκριμένη εργασία χρησιμοποιήθηκαν δορυφορικές εικόνες IKONOS. Χρησιμοποιήθηκαν επίσης πινακίδες ορθοφωτοχαρτών κλίμακας 1:5.000, οι οποίες προέρχονται από δορυφορικές εικόνες IKONOS και από 3-Band αεροφωτογραφίες οι οποίες και αποτέλεσαν το χαρτογραφικό υπόβαθρο του LPIS 2008. Χρησιμοποιήθηκε δορυφορική εικόνα IKONOS 4-BAND Pansharpened η οποία μέσω της κατάλληλης επεξεργασίας οδήγησε στη δημιουργία ορθοφωτοχάρτη, πάνω στον οποίο η τηλεπισκόπηση δύναται να δώσει αξιόπιστα μετρητικά αποτελέσματα, ενώ ταυτόχρονα είναι εφικτή η χωρική συσχέτιση ψηφιακών δεδομένων με την χρήση των ΓΣΠ (Εικόνα 7.4).
Μεθοδολογία Τα στάδια που ακολουθήθηκαν για τον εντοπισμό της περιοχής μελέτης, είναι η χωρική συσχέτιση ορίων NATURA πάνω σε ορθοφωτοχάρτη, δορυφορικής εικόνας του 2007 (Εικόνα 7.3). Οι περιοχές NATURA όπως φαίνεται και στο σχήμα που ακολουθεί καλύπτουν μεγάλο μέρος του Νομού γενικότερα. Δειγματοληπτικά εξετάσθηκαν τμήματα των περιοχών αυτών στα οποία εντοπίστηκαν οι σημαντικότερες μεταβολές. Έγινε γεωμετρική διόρθωση των εικόνων χρησιμοποιήθηκαν με σημεία Γνωστών οριζοντιογραφικών συντεταγμένων (Φωτοσταθερά) από τους Ορθοφωτοχάρτες IKONOS του LPIS στο σύστημα ΕΓΣΑ 87 μεγέθους εικονοστοιχείου 1μ και οριζοντιογραφικής ακρίβειας 1.5 μ. Ψηφιακό Μοντέλο Αναγλύφου του Υπουργείου Γεωργίας βήματος 30μ. για τη λήψη της υψομετρικής πληροφορίας
Κατά τη μη επιβλεπόμενη ταξινόμηση χρησιμοποιήθηκαν όλα τα κανάλια του ορθοφωτοχάρτη. Πραγματοποιήθηκαν αρκετές πειραματικές προσπάθειες έτσι ώστε να επιτευχθεί το βέλτιστο αποτέλεσμα. Τελικά ορίστηκε ως μέγιστός αριθμός κλάσεων το 10 και ως μέγιστος αριθμός επαναλήψεων το 15.(Εικόνες 2 και 3). Επίσης το ποσοστό των εικονοστοιχείων που δεν θα άλλαζαν κλάση από επανάληψη σε επανάληψη ορίστηκε στο 97 % οριοθετώντας το επίπεδο εμπιστοσύνης της ταξινόμησης. Μετά την ολοκλήρωση της μη επιβλεπόμενης ταξινόμησης πραγματοποιήθηκε φωτοερμηνευτικός έλεγχος με αποτέλεσμα των προσδιορισμό των κλάσεων που αφορούν εκείνες τις χρήσεις γης που ενδιαφέρουν την μελέτη. Παράλληλα πραγματοποιήθηκε στατιστικός έλεγχος των κλάσεων με χρήση τελεστή ευκλείδειας απόστασης σε συνδυασμό με τον τελεστή διακριτότητας.
Η παρέμβαση στους υγροβιοτόπους Τόσο η Τηλεπισκόπηση, όσο και η Φωτοερμηνεία των Δορυφορικών εικόνων, αλλά και των αεροφωτογραφιών που χρησιμοποιήθηκαν, επιβεβαίωσαν τις αρνητικές επιπτώσεις της ανθρωπογενούς παρέμβασης στην περιοχή μελέτης. Ο υγροβιότοπος πέρασε από διαδοχικές αποστραγγίσεις, δημιουργία αρδευτικών καναλιών και ενός ολοκληρωμένου οδικού δικτύου διαμόρφωσαν την σημερινή του εικόνα. Στο γεγονός αυτό συντέλεσαν καθοριστικά τόσο η ύπαρξη των κοινοτήτων σε αρκετά κοντινή απόσταση από το υγροτοπικό σύστημα, όσο βέβαια και το γόνιμο έδαφος της περιοχής. Το άλλο στοιχείο που φωτοερμηνεύτηκε είναι η αυθαίρετη δόμηση που σταδιακά κατέλαβε την λουρονησίδα της περιοχής.
Συμπεράσματα Τα εργαλεία της Τηλεπισκόπησης συμβάλλουν στην ιστορική καταγραφή της οποιασδήποτε δραστηριότητας, αλλαγής ή φυσικής καταστροφής, στην άμεση παρέμβαση σε κάθε παράνομη δραστηριότητα, αλλά και στην διαχρονική παρακολούθηση των εξελίξεων. Συμβάλλουν επίσης στην αύξηση της ταχύτητας επεξεργασίας των δεδομένων και με τις λειτουργίες τους βοηθούν την γρήγορη και αποτελεσματική λήψη αποφάσεων.
Wind Farm LANDSAT TM
Αιολικό πάρκο ονομάζεται η χερσαία ή θαλάσσια έκταση στην οποία έχει τοποθετηθεί ένας αριθμός ανεμογεννητριών με σκοπό τη μετατροπή της κινητικής ενέργειας του ανέμου σε ηλεκτρική.Συγκεκριμένα είναι βιομηχανικές εγκαταστάσεις παραγωγής ηλεκτρικής ενέργειας οι οποίες αποτελούνται από τις ανεμογεννήτριες, τα καλώδια μεταφοράς ρεύματος, τους μετεωρολογικούς ιστούς και άλλες βοηθητικές υποδομές.
Αναγνωρίζεται απο: -την χαρακτηριστική τοποθέτηση των ανεμογεννητριών στο χώρο του πάρκου -την μεγάλη έκταση του πάρκου -το ύψος και γεννικότερα το μέγεθος των ανεμογεννητριών -τη θέση του πάρκου (συνήθως μακριά απο κατοικημένη περιοχή)
ΦΩΤΟΑΝΑΓΝΩΡΙΣΤΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ -ΤΟΝΟΣ :ανοιχτός -ΥΦΗ :λεία -ΧΡΩΜΑΤΙΣΜΟΣ :λευκό -ΘΕΣΗ :απομονωμένη περιοχή,συνήθως μεγάλο υψόμετρο -ΜΕΓΕΘΟΣ:μεγάλο -ΠΕΡΙΒΑΛΛΕΤΑΙ :θάλασσα ή αχανείς εκτάσεις γης
Semantic Tags : ID Σπουδαστή: rs13503 Όνομα κλειδιού:Wind Farm LANDSAT TM Ελληνικό Όνομα Κλειδιού: aioliko_parko Τύπος Άρθρου: photointerpretation_key
Ανίχνευση κτιρίων και δρόμων από εικόνες τηλεπισκόπησης με βάση την προσαρμοστική συνεργατική απόσταξη πολλαπλών δασκάλων με βάση τα β
Πρωτότυπος Τίτλος: Building and Road Detection from Remote Sensing Images Based on Weights Adaptive Multi-Teacher Collaborative Distillation Using a Fused Knowledge Συγγραφείς:Ziyi Chen , Liai Deng , Jing Gou, Cheng Wang , Jonathan Li , Dilong Li Πηγή:https://www.sciencedirect.com/science/article/pii/S1569843223003461
Εισαγωγή: Εισαγωγικά στο άρθρο αυτό εντοπίζονται οι πρόοδοι στα νευρωνικά δίκτυα σε διάφορους τομείς όπως η κατηγοριοποίηση εικόνων, η ανίχνευση αντικειμένων, η ταυτοποίηση προσώπων, η σημασιολογική τμηματοποίηση εικόνων και η ανάκτηση εικόνων. Τονίζει την πρακτική σημασία της σημασιολογικής τμηματοποίησης εικόνων, ειδικά στην επεξεργασία εικόνων από τηλεπισκόπηση. Οι τηλεπισκοπικές εικόνες είναι ζωτικής σημασίας για την παρακολούθηση και την παρατήρηση της επιφάνειας της Γης, και η εξαγωγή πληροφοριών όπως κτίρια και δρόμοι από αυτές τις εικόνες είναι άκρως σημαντική για τον αστικό σχεδιασμό, την εκτίμηση πληθυσμού, τη διαχείριση της κυκλοφορίας, την ασφάλεια, τη διαχείριση φυσικών καταστροφών, τη διαχείριση πόρων και τον σχεδιασμό υποδομών. Στην εισαγωγή επίσης υπογραμμίζονται οι προκλήσεις που αντιμετωπίζουν τα μοντέλα βαθιάς μάθησης που χρησιμοποιούνται στην εξαγωγή εικόνων από τηλεπισκόπηση. Αυτά τα μοντέλα, παρόλο που είναι ισχυρά, έχουν έναν μεγάλο αριθμό παραμέτρων, κάνοντάς τα υπολογιστικά επαχθή και ακατάλληλα για άμεση εφαρμογή σε δορυφορικές και edge computing συσκευές. Η εκπαίδευση γνώσης, που περιλαμβάνει την εκπαίδευση ελαφριών μαθησιακών μοντέλων υπό την καθοδήγηση περίπλοκων μοντέλων, παρουσιάζεται ως λύση για να διατηρηθούν μοντέλα μαθητών με υψηλή ακρίβεια και ανθεκτικότητα. Το άρθρο προτείνει μια νέα προσέγγιση για την εκπαίδευση γνώσης για να αντιμετωπίσει τις περιορισμούς των υπαρχόντων μεθόδων. Αυτή η προσέγγιση περιλαμβάνει βάρη προσαρμοστικής πολλαπλής-διδασκαλίας συνεργατικής εκπαίδευσης και χρησιμοποιεί την ανταλλαγή γνώσης χαρακτηριστικών ως καθοδήγηση μεταξύ των διδασκαλικών δικτύων για περιεκτική μεταφορά γνώσης χαρακτηριστικών στο μαθησιακό μοντέλο. Αυτή η μέθοδος στοχεύει στην ενίσχυση της ανθεκτικότητας του εκπαιδευμένου μαθησιακού μοντέλου και στη βελτίωση της ικανότητας μάθησης των λεπτομερειών των κρυμμένων στρωμάτων, επιδεικνύοντας κορυφαία απόδοση σε διάφορα σετ δεδομένων.
Εκπαίδευση γνώσης: Η ενότητα 2 του άρθρου είναι χωρισμένη σε δύο υποενότητες: 2.1 Knowledge Distillation και 2.2 Object Extraction from Remote Sensing Images. Στην υποενότητα 2.1, η εκπαίδευση γνώσης παρουσιάζεται ως μια τεχνική για τη συμπίεση και την επιτάχυνση των μοντέλων, βελτιώνοντας την απόδοση ελαφρύτερων μοντέλων μαθητών υπό την καθοδήγηση πιο πολύπλοκων μοντέλων δασκάλων. Εισάγεται από τον Hinton το 2014, η τεχνική αυτή συνδυάζει τους μαλακούς στόχους του δικτύου δασκάλου στη συνολική συνάρτηση απώλειας, καθοδηγώντας την εκπαίδευση του συμπαγούς μοντέλου και προωθώντας τη μεταφορά γνώσης. Η εκπαίδευση γνώσης χωρίζεται σε τρεις βασικές κατηγορίες: γνώση βασισμένη σε αποκρίσεις, γνώση βασισμένη σε χαρακτηριστικά και γνώση βασισμένη σε σχέσεις. Η υποενότητα 2.2 επικεντρώνεται στην εξαγωγή αντικειμένων από τηλεπισκοπικές εικόνες, αναλύοντας τις προόδους και τις προκλήσεις στην εξαγωγή δρόμων και κτιρίων. Η ακριβής εξαγωγή αυτών των αντικειμένων είναι κρίσιμη για πολλές εφαρμογές και έχει επιτευχθεί μέσω της εφαρμογής τεχνικών βαθιάς μάθησης. Στην υποενότητα 2.2.1, αναφέρονται διάφορες προσεγγίσεις για την εξαγωγή δρόμων, ενώ η υποενότητα 2.2.2 εστιάζει στην εξαγωγή κτιρίων. Και στις δύο περιπτώσεις, τονίζεται η σημασία των βαθιών νευρωνικών.
Μεθοδολογία: Όσον αφορά τη μεθοδολογία της προτεινόμενης τεχνικής για την ανίχνευση κτιρίων και δρόμων από εικόνες τηλεπισκόπησης. Αυτή η ενότητα χωρίζεται σε τέσσερις υποενότητες: 3.1 Knowledge Distillation Based on Multi-Teacher Feature Fusion, 3.2 Multi-Teacher Collaborative Knowledge Distillation, 3.3 Relation-Based Multi-Knowledge Fusion Distillation, και 3.4 The Overall Loss Function. Στην υποενότητα 3.1, εξηγείται πώς το μοντέλο εκμάθησης βασίζεται στη συγχώνευση χαρακτηριστικών από πολλαπλούς δασκάλους, χρησιμοποιώντας ένα μοντέλο παλινδρόμησης βασισμένο σε συνέλιξη για την επίτευξη αποτελεσματικής συγχώνευσης των χαρακτηριστικών πριν καθοδηγήσουν την εκπαίδευση των χαρακτηριστικών στρωμάτων του μαθητικού δικτύου. Η υποενότητα 3.2 περιγράφει την πολλαπλή συνεργατική εκπαίδευση γνώσης, όπου χρησιμοποιείται ένας αλγόριθμος προσαρμοστικής κατανομής βάρους για την αποτελεσματική διανομή των καθοδηγητικών βαρών των δικτύων δασκάλων. Αυτό βοηθά στην αύξηση της ανθεκτικότητας και της ακρίβειας του εκπαιδευμένου μαθητικού δικτύου. Στην υποενότητα 3.3, εισάγεται μια προσέγγιση σύγχυσης γνώσης βασισμένη σε σχέσεις για την εκπαίδευση. Χρησιμοποιείται η Ευκλείδεια απόσταση για την αξιολόγηση της σχέσης συσχέτισης μεταξύ διαφόρων στόχων. Αυτό βοηθά στη βελτίωση της απόδοσης του μαθησιακού μοντέλου μέσω της καλύτερης μεταφοράς της γνώσης των σχέσεων. Τέλος, η υποενότητα 3.4 εξηγεί την συνολική συνάρτηση απώλειας για τη μέθοδο εκπαίδευσης γνώσης, συνδυάζοντας την τακτική απώλεια διασταυρούμενης εντροπίας με τις απώλειες που προκύπτουν από την εκπαίδευση γνώσης, συγχώνευση χαρακτηριστικών και απώλειες που βασίζονται σε σχέσεις. Οι υπερ παράμετροι α, β και γ χρησιμοποιούνται για τον έλεγχο της ισορροπίας μεταξύ της επίδρασης της εκπαίδευσης γνώσης και της τυπικής απώλειας διασταυρούμενης εντροπίας.
Τα πειράματα: Η Ενότητα 4 του άρθρου είναι αφιερωμένη στα πειράματα που διεξήχθησαν για να αξιολογήσουν την αποτελεσματικότητα της προτεινόμενης μεθοδολογίας. Η ενότητα αυτή αποτελείται από δύο βασικές υποενότητες: 4.1 Προετοιμασία Πειράματος και 4.2 Αποτελέσματα. Στην υποενότητα 4.1, η ερευνητική ομάδα περιγράφει την προετοιμασία των πειραμάτων, η οποία περιλαμβάνει την παρουσίαση των συνόλων δεδομένων που χρησιμοποιήθηκαν, την αρχιτεκτονική του δικτύου, τις μετρικές αξιολόγησης, τις λεπτομέρειες της εκπαίδευσης και τις μεθόδους εκπαίδευσης γνώσης που συγκρίθηκαν. Στην παράγραφο αυτή, αναφέρονται τα διαφορετικά σύνολα δεδομένων που χρησιμοποιήθηκαν, όπως το Massachusetts Roads Dataset, το LRSNY Roads Dataset και το WHU Building Dataset. Στην υποενότητα 4.2, παρουσιάζονται τα αποτελέσματα των πειραμάτων. Συγκεκριμένα, γίνεται λεπτομερής σύγκριση των αποτελεσμάτων του προτεινόμενου μοντέλου με άλλα μοντέλα σε διάφορα σύνολα δεδομένων. Αυτή η σύγκριση δείχνει ότι το προτεινόμενο μοντέλο έχει καλύτερη απόδοση στην ανίχνευση κτιρίων και δρόμων σε σύγκριση με άλλες τεχνικές εκπαίδευσης γνώσης. Τα αποτελέσματα των πειραμάτων επιβεβαιώνουν την υπεροχή της προτεινόμενης τεχνικής πολλαπλής συνεργατικής εκπαίδευσης γνώσης με βάση τα βάρη στην εξαγωγή σημαντικών πληροφοριών από τις εικόνες τηλεπισκόπησης. Αυτό επιτυγχάνεται μέσω της βελτιστοποίησης των βαρών μεταξύ διαφόρων δικτύων δασκάλων και της χρήσης της συγχώνευσης γνώσης βασισμένης σε σχέσεις. Επιπλέον, η συνολική συνάρτηση απώλειας βοηθά στον συνδυασμό των διαφόρων τύπων απώλειας για να επιτευχθεί μια ισορροπημένη και αποτελεσματική εκπαίδευση. Οι ερευνητές επισημαίνουν επίσης τη σημασία των μετρικών αξιολόγησης που χρησιμοποιήθηκαν στα πειράματα, όπως το σκορ IoU (Intersection over Union), την ακρίβεια, την ανάκληση και το σκορ F1. Αυτές οι μετρικές βοηθούν στην κατανόηση του βαθμού στον οποίο το μοντέλο μπορεί να ανιχνεύσει και να ταξινομήσει σωστά τα κτίρια και τους δρόμους σε τηλεπισκοπικές εικόνες. Συνοψίζοντας, η Ενότητα 4 προσφέρει μια λεπτομερή ανάλυση των πειραμάτων και των αποτελεσμάτων, επιβεβαιώνοντας την αποτελεσματικότητα της προτεινόμενης μεθοδολογίας και προσφέροντας σημαντικές πληροφορίες για τις μελλοντικές ερευνητικές προσπάθειες στον τομέα της εξαγωγής πληροφοριών από τηλεπισκοπικές εικόνες.
Ανάλυση Οπτικοποίησης και Πείραμα Αφαίρεσης:
Η Ενότητα 5 περιλαμβάνει δύο υποενότητες: 5.1 Ανάλυση Οπτικοποίησης και 5.2 Πείραμα Αφαίρεσης.
Στην υποενότητα 5.1, η έρευνα συγκρίνει τα αποτελέσματα εξαγωγής που προκύπτουν από την προτεινόμενη στρατηγική διδασκαλίας με τρεις άλλες μεθόδους διδασκαλίας για τα δεδομένα Massachusetts Road, LRSNY Road και WHU Building. Σκοπός είναι η περαιτέρω σύγκριση και ανάλυση των πλεονεκτημάτων και των περιορισμών της προτεινόμενης στρατηγικής. Στο Massachusetts Roads Dataset, η μέθοδος κατάφερε να αποτυπώσει και να εξάγει με ακρίβεια τα αντικείμενα των δρόμων. Στο LRSNY Roads Dataset, η στρατηγική επίσης δείχνει εξαιρετικές ικανότητες εξαγωγής αντικειμένων δρόμων και αποφεύγει την εξαγωγή λανθασμένων στόχων. Στο WHU Building Dataset, η στρατηγική εμφανίζει εξαιρετική απόδοση σε σύγκριση με άλλες μεθόδους διδασκαλίας, βελτιώνοντας σημαντικά την ολοκληρωμένη και ακριβή εξαγωγή στόχων για τα κτίρια.
Στην υποενότητα 5.2, εξετάζεται η αποτελεσματικότητα των τακτικών της προτεινόμενης στρατηγικής διδασκαλίας για την εξαγωγή κατασκευών και δρόμων. Για αυτό το σκοπό, διεξήχθησαν πειράματα αφαίρεσης, τα οποία αξιολογήθηκαν σε τρία σύνολα δεδομένων τηλεπισκόπησης. Συνδυάζοντας υπάρχουσες στρατηγικές διδασκαλίας, τα πειράματα δείχνουν σημαντική βελτίωση στην απόδοση του μαθησιακού μοντέλου. Ωστόσο, σε σύγκριση με την προτεινόμενη στρατηγική διδασκαλίας, τα αποτελέσματα δείχνουν ότι η προτεινόμενη μέθοδος οδηγεί αποτελεσματικά το μαθητικό μοντέλο σε βελτιωμένη απόδοση στην εξαγωγή. Για να αξιολογηθεί περαιτέρω η αποτελεσματικότητα της προτεινόμενης στρατηγικής, που περιλαμβάνει την αμοιβαία ανταλλαγή πληροφοριών χαρακτηριστικών μεταξύ των δικτύων δασκάλων, διεξήχθησαν πειράματα αφαίρεσης σε σύγκριση με μια παραδοσιακή μέθοδο διδασκαλίας που χρησιμοποιεί άμεσα τη γνώση χαρακτηριστικών μεταξύ των δικτύων δασκάλων.
Συμπεράσματα:
Συμπερασματικά, η προτεινόμενη μέθοδος ενσωματώνει μηχανισμούς πολλαπλής συνεργασίας δασκάλων και σύγχυσης πολλαπλών γνώσεων στην εκπαίδευση γνώσης, εφαρμόζοντάς τους σε εργασίες εξαγωγής δρόμων και κτιρίων. Αυτές οι καινοτομίες στοχεύουν στη βελτίωση της απόδοσης στις εργασίες εξαγωγής εικόνων από τηλεπισκόπηση, μειώνοντας ταυτόχρονα το μέγεθος του μοντέλου και τις απαιτήσεις σε υπολογιστικούς πόρους. Η στρατηγική της πολλαπλής συνεργασίας διδασκαλίας αξιοποιεί τις διάφορες δυνατότητες και την εμπειρία διαφορετικών δικτύων δασκάλων, προσφέροντας μια πιο περιεκτική καθοδήγηση στο μαθητικό μοντέλο. Επιπρόσθετα, η μέθοδος σύγχυσης πολλαπλών γνώσεων επιτρέπει την πλήρη αξιοποίηση της γνώσης από πολλαπλά δικτύα δασκάλων για τη βελτίωση της απόδοσης του συμπαγούς δικτύου. Τέλος, προτείνουν μια μέθοδο καθοδήγησης του μαθητικού δικτύου μέσω της ανταλλαγής γνώσης χαρακτηριστικών μεταξύ των δικτύων δασκάλων, η οποία βελτιώνει την κατανόηση και τις ικανότητες εξαγωγής χαρακτηριστικών της εικόνας από το μαθητικό μοντέλο. Μέσω αυστηρών πρακτικών αξιολογήσεων πολλών κορυφαίων διαδικασιών εκπαίδευσης γνώσης σε διάφορα σύνολα δεδομένων τηλεπισκοπικών εικόνων, η προτεινόμενη στρατηγική της μελέτης αποδεικνύει σημαντικές βελτιώσεις στην απόδοση. Η προτεινόμενη μέθοδος εκπαίδευσης γνώσης υπερτερεί άλλων κορυφαίων τεχνικών στο Massachusetts Roads Dataset, με αύξηση του IoU κατά 0.39% και του σκορ F1 κατά 0.53%. Στο LRSNY Roads Dataset, η μέθοδος εκπαίδευσης γνώσης υπερτερεί άλλων κορυφαίων στρατηγικών με αύξηση του IoU κατά 1.14% και της ακρίβειας κατά 0.85%. Στο WHU Building Dataset, η τεχνική τους υπερβαίνει άλλες κορυφαίες μεθόδους με αύξηση του IoU κατά 1.19% και της ακρίβειας κατά 0.34%.
