根据DGIST和Dabeeo公司的研究团队的说法，世界上最高性能的神经网络模块的发展，可以从航空和卫星图像中准确地提取物体，预计将在各个领域得到广泛应用。
随着人工智能(AI)的一个分支——深度学习技术的发展，其在航空和卫星图像分析中的应用越来越普遍。然而，现有的模型针对特定对象进行了优化，在识别其他对象方面存在局限性。此外，这些模型往往不能反映物体的形态特征，从而导致结果不准确。
为此，黄宰渊教授组开发出了比现有模型更准确的结果，适用范围更广的神经网络“DG-Net”。DG-Net是一种创新的人工神经网络，采用测试时间自适应学习方法，针对输入图像进行优化，以识别物体密度并执行详细分割。
DG-Net在航空和卫星图像中的各种目标分割任务中表现出优异的性能，特别是在地理空间目标分割方面取得了卓越的准确性，与现有模型相比，这标志着最高的性能。
该研究团队开发的创新人工智能神经网络不仅有望提高地理空间目标分割的准确性，而且有望应用于环境监测、城市规划、农业和灾害管理等各个应用领域。预计它将成为遥感领域利用航空或卫星图像进行目标分割的创新解决方案。
韩国科学技术院电子计算机工程系的黄教授表示:“通过此次研究开发的神经网络是能够从航空和卫星图像中高精度地提取目标物体的新型神经网络。相关技术的进一步发展可能会使其应用于自动驾驶汽车、国防、医疗成像等众多领域，从而对人工智能领域产生积极影响。”
这项研究发表在《IEEE地球科学与遥感学报》上。
更多信息:Kyungsu Lee等，基于路径选择测试时间自适应的遥感图像中地理空间目标的细粒度分割，IEEE地球科学与遥感学报(2024)。DOI: 10.1109/TGRS.2024.3378311由DGIST(大邱庆北科学技术研究所)提供引文:研究人员开发航空和卫星图像提取的性能技术(2024年，4月22日)检索自2024年4月24日https://techxplore.com/news/2024-04-technology-aerial-satellite-image.html本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
