Projekt „Opracowanie skutecznej metody wykrywania niewielkich budynków na zdjęciach satelitarnych”
miał na celu zbudowanie wydajnego podejścia do identyfikacji małych obiektów budowlanych (o
wymiarach poniżej 10×10 m) na zobrazowaniach satelitarnych Sentinel-2. Tradycyjne metody
segmentacji i klasyfikacji, takie jak U-Net czy ResNet, osiągają ograniczoną dokładność w przypadkach,
gdy obrys budynku zajmuje mniej niż jeden piksel lub gdy obiekt znajduje się w złożonym otoczeniu – na
przykład wśród roślinności czy cieni. Wstępne analizy wykazały, że znaczącą poprawę skuteczności
można uzyskać poprzez zwiększenie rozdzielczości przestrzennej danych oraz dostosowanie ich
reprezentacji do specyfiki zadania. W efekcie opracowano innowacyjne podejście łączące sieć Enhanced
Super-Resolution Generative Adversarial Network (ESRGAN) z segmentacją semantyczną DeepLabV3,
wykorzystując wspólne uczenie (joint training). Proponowana architektura przekształca zobrazowania
Sentinel-2 bezpośrednio w kartograficzne reprezentacje zoptymalizowane pod kątem detekcji budynków,
stanowiąc rozwiązanie ukierunkowane na konkretne zastosowanie. Aby umożliwić skuteczne uczenie i
ewaluację modelu, przygotowano dedykowany zestaw danych S2-BDOT-PL, powstały poprzez integrację
zobrazowań Sentinel-2 z danymi OpenStreetMap oraz oficjalną bazą topograficzną Polski BDOT10k.
Metoda wykazała konsekwentną poprawę wyników względem modeli bazowych w różnych metrykach
oceny jakości. Wyniki badań zostały przedstawione w artykule „Map-Guided Cross-Training for Building
Detection”, wstępnie zaakceptowanym do publikacji (w trakcie wprowadzania poprawek) w IEEE
Geoscience and Remote Sensing Letters - czasopiśmie o wskaźniku Impact Factor 4 (2024) i wartości
140 punktów na liście Ministerialnej.

Projekt „Opracowanie skutecznej metody wykrywania niewielkich budynków na zdjęciach satelitarnych”
miał na celu zbudowanie wydajnego podejścia do identyfikacji małych obiektów budowlanych (o
wymiarach poniżej 10×10 m) na zobrazowaniach satelitarnych Sentinel-2. Tradycyjne metody
segmentacji i klasyfikacji, takie jak U-Net czy ResNet, osiągają ograniczoną dokładność w przypadkach,
gdy obrys budynku zajmuje mniej niż jeden piksel lub gdy obiekt znajduje się w złożonym otoczeniu – na
przykład wśród roślinności czy cieni. Wstępne analizy wykazały, że znaczącą poprawę skuteczności
można uzyskać poprzez zwiększenie rozdzielczości przestrzennej danych oraz dostosowanie ich
reprezentacji do specyfiki zadania. W efekcie opracowano innowacyjne podejście łączące sieć Enhanced
Super-Resolution Generative Adversarial Network (ESRGAN) z segmentacją semantyczną DeepLabV3,
wykorzystując wspólne uczenie (joint training). Proponowana architektura przekształca zobrazowania
Sentinel-2 bezpośrednio w kartograficzne reprezentacje zoptymalizowane pod kątem detekcji budynków,
stanowiąc rozwiązanie ukierunkowane na konkretne zastosowanie. Aby umożliwić skuteczne uczenie i
ewaluację modelu, przygotowano dedykowany zestaw danych S2-BDOT-PL, powstały poprzez integrację
zobrazowań Sentinel-2 z danymi OpenStreetMap oraz oficjalną bazą topograficzną Polski BDOT10k.
Metoda wykazała konsekwentną poprawę wyników względem modeli bazowych w różnych metrykach
oceny jakości. Wyniki badań zostały przedstawione w artykule „Map-Guided Cross-Training for Building
Detection”, wstępnie zaakceptowanym do publikacji (w trakcie wprowadzania poprawek) w IEEE
Geoscience and Remote Sensing Letters - czasopiśmie o wskaźniku Impact Factor 4 (2024) i wartości
140 punktów na liście Ministerialnej.