Deepness: Deep neural remote sensing plugin for QGIS

Przemysław Aszkowski; Bartosz Ptak; Marek Kraft; Dominik Pieczyński; Paweł Drapikowski

doi:10.1016/j.softx.2023.101495

System Informacji Naukowej Politechniki Poznańskiej

PL EN

Strona główna / Publikacje / Deepness: Deep neural remote sensing plugin for QGIS

Zgłoś uwagę

Artykuł

Pobierz plik Pobierz BibTeX

Tytuł

Deepness: Deep neural remote sensing plugin for QGIS

Autorzy

Przemysław Aszkowski (WARiE) ^{[ 1 ][ 2.2 ][ SzD ]}
Bartosz Ptak (WARiE) ^{[ 1 ][ 2.2 ][ SzD ]}
Marek Kraft (WARiE) ^{[ 2 ][ 2.2 ][ P ]}
Dominik Pieczyński (WARiE) ^{[ 2 ][ 2.2 ][ P ]}
Paweł Drapikowski (WARiE) ^{[ 2 ][ 2.2 ][ P ]}

^{[ 1 ]} Wydział Automatyki, Robotyki i Elektrotechniki, Politechnika Poznańska | ^{[ 2 ]} Instytut Robotyki i Inteligencji Maszynowej, Wydział Automatyki, Robotyki i Elektrotechniki, Politechnika Poznańska | ^{[ SzD ]} doktorant ze Szkoły Doktorskiej | ^{[ P ]} pracownik

Dyscyplina naukowa (Ustawa 2.0)

[2.2] Automatyka, elektronika, elektrotechnika i technologie kosmiczne

Rok publikacji

2023

Opublikowano w

SoftwareX

Rocznik: 2023 | Tom: vol. 23

Typ artykułu

artykuł naukowy

Język publikacji

angielski

Słowa kluczowe

EN

QGIS
Deep learning
Remote sensing
Segmentation
Object detection

Streszczenie

EN This paper presents Deepness - an open-source plugin for the QGIS application, allowing the easy employment of neural network models on any raster layer representing a matrix of values or image data. Deep neural networks show a clear improvement in computer vision tasks, enabling the automatic performance of, among others, regression, segmentation and detection of objects in the images. The Deepness plugin supports model types that complete the abovementioned tasks, linking deep learning inference directly with the most popular geographic information system (GIS) application. Moreover, a model registry with ready-to-use models is provided, bringing the power of deep learning to users without machine learning expertise. This enables augmenting the familiar, established workflow with new functionalities.

Strony (od-do)

101495-1 - 101495-6

DOI

10.1016/j.softx.2023.101495

URL

https://www.sciencedirect.com/science/article/pii/S2352711023001917

Uwagi

Article number: 101495

Typ licencji

CC BY (uznanie autorstwa)

Tryb otwartego dostępu

otwarte czasopismo