Road Extraction Using Deep Learning with Deeplabv3+ Model
Abstract
Penginderaan jarak jauh didefinisikan sebagai ilmu dalam mengumpulkan informasi suatu objek tanpa menyentuh atau berkontak fisik langsung dengan objek tersebut, ekstraksi jalan yang akurat memiliki banyak manfaat dalam aplikasi nyata seperti navigasi, pemantauan lalu lintas, dan perencanaan perkotaan, akan tetapi ekstraksi jalan dari citra penginderaan jarak jauh merupakan tugas yang kompleks dikarenakan fitur-fitur jalan yang kompleks dan interaksi mereka dengan lingkungan sekitarnya, menggunakan metode manual sudah dianggap tidak lagi eifisien dari segi waktu dan sumber daya manusia. Metode OBIA dan Deep Learning adalah solusi yang menjanjikan melihat penelitian yangsudah dilakukan, pada metode OBIA bersifat semi otomatis dan deep learning bersifat otomatis, pada implementasinya metode deep learning akan menggunakan model DeepLabV3+ dengan encoder ResNet50, lalu pada pembuatan dataset akan digunakan implementasi OBIA untuk proses anotasi dataset. Hasil pengujian dari model DeepLabV3+ yang dirancang memberikan hasil yang memuaskan menggunakan citra ortofoto pengujian sebanyak 376 sampel untuk model yang dilatih menggunakan anotasi manual dan 100 sampel untuk model yang dilatih menggunakan dataset OBIA, pada model yang dilatih menggunakan dataset anotasi OBIA mendapatkan skormIoU 75.31% pada epoch 40, dan dengan model yang dilatih menggunakan dataset anotasi mannual mendapat skor mIoU 92.88% pada epoch 40.
Kata kunci— Ekstraksi jalan, Deep Learning, DeepLabV3+, OBIA.
References
Abolfazl Abdollahi, dan Biswajeet Pradhan, "Integrated Technique of Segmentation and Classification Methods with Connected Components Analysis for Road Extraction from Orthophoto Images," Expert Systems with Applications, vol. 176, August 2021.
Hamid Reza R.B, Abolfazl Abdollahi, Hani Rezaeian," Semi Auotomatic Road Extraction from Digital Images," The Egyptian Journal of Remote Sensing and Space Sciences, Vol.20, Juni 2017, pp. 117-123.
Abolfazl Abdollahi, Biswajeet Pradhan, Nagesh Shukla, Subrata Chakraborty and Abdullah Alamri, "Deep Learning Approaches Applied to Remote Sensing Datasets for Road Extraction: A State-Of- The-Art Review," Remote Sensing, vol. 12, May 2020.
Zhaoli Hong, Dongping Ming, Keqi Zhou, Ya Guo, dan Tingting Lu, "Road Extraction from a High Spatial Resolution Remote Sensing Image Based on Richer Convolutional Features," IEEE Access, Vol.6, 26 Agustus 2018.
Chen, L., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2017). Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs. IEEE transactions on pattern analysis and machine intelligence, 40(4), 834-848.
H. Zhao, J. Shi, X. Qi, X. Wang, and J. Jia, "Pyramid Scene Parsing Network," Dec. 2016, [Online]. Available: http://arxiv.org/abs/1612.01105
A. G. Howard et al., "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications," Apr. 2017, [Online]. Available: http://arxiv.org/abs/1704.04861
L. Wang, C. Wang, Z. Sun, and S. Chen, "An improved dice loss for pneumothorax segmentation by mining the information of negative areas," IEEE Access, vol. 8, pp. 167939–167949, 2020, doi: 10.1109/ACCESS.2020.3020475.
