Segmentazione automatica di frane su immagini aeree

Questa tesi esplora l'utilizzo delle architetture U-Net, Attention U-Net e Swin U-Net per la segmentazione di frane su immagini aeree, in un contesto caratterizzato da class imbalance e forte variabilità intra-classe. Il lavoro si inserisce all’interno di una pipeline più ampia basata su modelli di deep learning, progettata per uno studio sul monitoraggio del territorio in scenari di emergenza. È introdotto il contesto operativo, descritto il problema della segmentazione semantica con riferimento alle applicazioni nel remote sensing e analizzate struttura e caratteristiche del dataset utilizzato. Le tre architetture sono quindi presentate mettendo in luce analogie strutturali, vantaggi e limiti in relazione al task specifico. Il setup sperimentale è definito in modo da garantire un confronto equo tra i modelli, valutati principalmente tramite la metrica di Intersection over Union (IoU), ampiamente consolidata in letteratura nel campo della segmentazione semantica. Il lavoro evidenzia come, in contesti operativi caratterizzati da risorse computazionali e dati limitati, le architetture convoluzionali tradizionali possano garantire una maggiore efficienza, affidabilità e capacità di generalizzazione rispetto ad approcci più recenti e complessi.