Semantic-Segmentation

Objetivo:

• Implementar uma Rede U-Net para realizar segmentação semântica em imagens.

Conjunto de Dados:

• Utiliza imagens fornecidas Image_Train.tif e Reference_Train.tif.
• Avalia o modelo treinado nas imagens Image_Test.tif e Reference_Test.tif.
• Um jupyter notebook com funções básicas está disponível.

Protocolo Experimental:

1. Carregar dados de entrada:

   • Usa a função load_tiff_image(image) para carregar imagens do conjunto de dados 2D Semantic Labeling-Vaihingen.
   • Normaliza os dados para o intervalo [0,1] usando a função normalization(image).

2. Treinar o modelo U-Net:

   • Extrai patches de tamanho w-by-w-by-c pixels de Image_Train e patches de tamanho w-by-w de Reference_Train.
   • Divide aleatoriamente os patches de treinamento em conjuntos de Treinamento (80%) e Validação (20%).
   • Converte patches de Reference em codificação one-hot com base no número de classes usando tf.keras.utils.to_categorical.
   • Implementa o modelo U-Net com skip connections.
   • Usa weighted_categorical_crossentropy como função de perda.
   • Treina o modelo com a função Train_model(), incorporando early stopping com paciência 10.

3. Testar o modelo:

   • Extrai patches das imagens de teste e avalia o modelo usando Test(model, patch_test).

4. Reconstruir a previsão (imagem de teste completa):

   • Apresenta os resultados de classificação como imagens de rótulos.
   • Relata métricas de precisão, incluindo precisão geral e média, e pontuação F1.
   • Compara os resultados com diferentes tamanhos de patches (32x32, 64x64, 128x128).

Este projeto é uma implementação prática de um pipeline de aprendizado profundo para a tarefa específica de segmentação semântica, usando a arquitetura U-Net e técnicas associadas.