Motivations and challenges
The continuous proliferation and improvement of remote (satellite and aerial) data sensors yields a huge volume of Earth’s images with high spatial and temporal resolution, as well as with rich spectral information. For instance, the constellation of Pléiades satellites revisits the entire Earth every day, acquiring optical data with a spatial resolution of less than a meter. These data contain a valuable source of information, which opens the door to a large range of important applications, such as the monitoring of natural disasters, the planning of urban environments and precision agriculture. However, petabytes of these massive images are stored into binary files as unstructured raw data. As a result, a large part of them is never used. Thus, it has become crucial to develop methods to automatically analyze these data.

One of the most important problems for the automatic interpretation of remote sensing data is image classification, which consists in the assignment of a class, or thematic label (for example, building, tree, car, etc.), to each pixel in the image. Fig. 1.1 shows an example of such pixelwise classification of an aerial image into six classes of interest

تکثیر و بهبود مستمر سنسورهای داده از راه دور (ماهواره ای و هوایی) حجم عظیمی از تصاویر زمین را با وضوح مکانی و زمانی بالا و همچنین دارای اطلاعات طیفی غنی به دست می دهد.به عنوان مثال ، صورت فلکی ماهواره های Pléiades هر روز کل زمین را بازدید می کند و داده های نوری را با وضوح مکانی کمتر از یک متر به دست می آورد. این داده ها حاوی یک منبع اطلاعاتی ارزشمند هستند ، که دریچه ای برای کاربردهای مهم مانند نظارت بر بلایای طبیعی ، برنامه ریزی محیط های شهری و کشاورزی دقیق را باز می کند. با این حال ، پتابایت از این تصاویر عظیم به عنوان داده های خام بدون ساختار در پرونده های باینری ذخیره می شوند. در نتیجه ، قسمت بزرگی از آنها هرگز استفاده نمی شود. بنابراین ، توسعه روش هایی برای تجزیه و تحلیل خودکار این داده ها بسیار مهم شده است.

یکی از مهمترین مسائل تفسیر خودکار داده های سنجش از دور طبقه بندی تصویر است که شامل اختصاص یک کلاس یا برچسب موضوعی (به عنوان مثال ، ساختمان ، درخت ، ماشین و غیره) به هر پیکسل در تصویر است. . شکل 1.1 نمونه ای از چنین طبقه بندی پیکسلی یک تصویر هوایی را به شش کلاس مورد علاقه نشان می دهد.