Ứng dụng thuật toán học máy sâu xây dựng mô hình tự động phát hiện vùng mây trên nền tảng dữ liệu khối

VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 4 (2020) 8-16 
8 
Original Article 
Application of Deep Learning Algorithm to Build an 
Automated Cloud Segmentation Model Based on Open Data 
Cube Framework 
Pham Vu Dong1, Bui Quang Thanh1, Nguyen Quoc Huy1, Vo Hong Anh2, 
Pham Van Manh1, 
1VNU University of Science, 334 Nguyen Trai, Hanoi, Vietnam 
2
Central Remote Sensing Station, National Remote Sensing Department, 
79 Van Tien Dung, Tu Liem, Hanoi, Vietnam 
Received 11 September 2019 
Revised 23 April 2020; Accepted 28 August 2020 
Abstract: Cloud detection is a significant task in optical remote sensing to reconstruct the 
contaminated cloud area from multi-temporal satellite images. Besides, the rapid development of 
machine learning techniques, especially deep learning algorithms, can detect clouds over a large 
area in optical remote sensing data. In this study, the method based on the proposed deep-learning 
method called ODC-Cloud, which was built on convolutional blocks and integrating with the Open 
Data Cube (ODC) platform. The results showed that our proposed model achieved an overall 90% 
accuracy in detecting cloud in Landsat 8 OLI imagery and successfully integrated with the ODC to 
perform multi-scale and multi-temporal analysis. This is a pioneer study in techniques of storing and 
analyzing big optical remote sensing data. 
Keywords: Optical Remote Sensing, Landsat 8 OLI, automatic cloud detection, deep-learning, Open 
Data Cube. 
________ 
 Corresponding author. 
 E-mail address: manh10101984@gmail.com 
 https://doi.org/10.25073/2588-1094/vnuees.4441 
P.V. Dong et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 4 (2020) 8-16 9 
Ứng dụng thuật toán học máy sâu xây dựng mô hình tự động 
phát hiện vùng mây trên nền tảng dữ liệu khối 
Phạm Vũ Đông1, Bùi Quang Thành1, Nguyễn Quốc Huy1, Võ Hồng Anh2, 
Phạm Văn Mạnh1, 
1Trường Đại học Khoa học Tự nhiên, ĐHQGHN, 334 Nguyễn Trãi, Hà Nội, Việt Nam 
2Đài Viễn thám Trung ương, Cục Viễn thám Quốc gia, 79 Văn Tiến Dũng, Bắc Từ Liêm, Hà Nội, VIệt Nam 
Nhận ngày 11 tháng 09 năm 2019 
Chỉnh sửa ngày 23 tháng 4 năm 2019; Chấp nhận đăng ngày 28 tháng 8 năm 2020 
Tóm tắt: Loại bỏ vùng mây trên ảnh viễn thám quang học là một trong những bước đầu tiên trong 
quá trình tiền xử lý ảnh, nhằm phục vụ tái cấu trúc dữ liệu những vùng bị che phủ bởi mây từ dữ 
liệu ảnh vệ tinh đa thời gian. Để giải quyết vấn đề này, một mô hình được thử nghiệm với thuật toán 
dựa trên học máy sâu được đề xuất trong bài viết này. Mô hình thuật toán này được phát triển trên 
nguyên lý sử dụng một mạng tích chập (convolutional blocks) lên nền tảng dữ liệu khối (Open Data 
Cube) được đào tạo bởi nhiều phân mảnh của ảnh Landsat 8 OLI. Mô hình này, được gọi là ODC-
Cloud có khả năng phát hiện vùng mây trên diện rộng và cục bộ trong một hình ảnh bằng cách sử 
dụng các khối chập. Vì mô hình được đề xuất là một giải pháp đầu cuối không yêu cầu bước tiền xử 
lý phức tạp. Kết quả thử nghiệm của nghiên cứu này đạt độ chính xác trên 90% trong việc phát hiện 
và loại bỏ vùng mây khỏi ảnh và tích hợp thành công mô hình lên nền tảng dữ liệu khối để thực hiện 
các phân tích đa tỉ lệ và đa thời gian. Đây là một trong những giải pháp mới trong việc lưu trữ và 
xử lý dữ liệu ảnh viễn thám quang học trên nền tảng dữ liệu lớn. 
Từ khóa: Viễn thám quang học, Landsat 8 OLI, tự động phát hiện mây, học máy sâu, dữ liệu khối. 
1. Mở đầu 
Với sự phát triển nhanh của công nghệ viễn 
thám, ảnh viễn thám quang học được sử dụng 
rộng rãi trong nhiều lĩnh vực như so sánh đối 
chiếu thực địa, phân loại và theo dõi biến động 
lớp phủ/sử dụng đất [1]. Tuy nhiên phần lớn ảnh 
viễn thám quang học đều có sự xuất hiện của 
vùng mây với độ che phủ khác nhau. Những khu 
vực bị mây che phủ trên ảnh không chỉ gây ra sự 
mất thông tin mà còn gây ra khó khăn trong việc 
xác định các đối tượng bên dưới vùng mây [2], 
[3]. Ngoài ra, các ảnh viễn thám quang học với 
độ che phủ mây nhiều có thể khiến dữ liệu ảnh 
không có giá trị để phân tích bề mặt lớp phủ. Tuy 
________ 
 Tác giả liên hệ. 
 E-mail address: manh10101984@gmail.com 
 https://doi.org/10.25073/2588-1094/vnuees.4441 
nhiên, các thông tin về giá trị của mây cũng có 
thể cung cấp các tham số khác phục vụ nghiên 
cứu thời tiết, thảm họa tự nhiên như giông bão, 
núi lửa phun trào [4]. Do đó, phát hiện vùng mây 
là một trong những vấn đề nghiên cứu quan trọng 
để quan sát Trái Đất bằng hình ảnh viễn thám 
quang học. Đây là một trong những bước quan 
trọng trong quá trình tiền xử lý ảnh, trước khi 
phục vụ cho các mục đích nghiên cứu và phân 
tích sau này. 
Nhiều phương pháp và mô hình phát hiện 
vùng mây đã được nghiên cứu và thử nghiệm 
trong những thập kỷ gần đây. Hầu hết các 
phương pháp phát hiện được thiết kế cho các loại 
P.V. Dong et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 4 (2020) 8-16 10 
ảnh vệ tinh đa phổ. Với các dải hồng ngoại nhiệt 
hoặc sóng ngắn, rất dễ phân biệt các vùng mây 
và không mây. Các phương pháp này đã được áp 
dụng thành công cho các dữ liệu viễn thám khác 
nhau theo độ phân giải không gian và thời gian. 
Có thể được chia làm ba phương pháp chính: (1) 
Phương pháp phân ngưỡng [5,6], các tác giả đã 
sử dụng phương pháp F-mask (function of mask) 
để lọc những vùng có khả năng là mây ra khỏi 
những vùng không mây, ngoài ra phương pháp 
này còn sử dụng kênh ảnh Cirrus (kênh 9 của ảnh 
Landsat 8 OLI) để tăng độ chính xác việc xác 
định vùng mây, và hiện nay được sử dụng để tạo 
ra kênh lọc mây trên ảnh Landsat 8 OLI; (2) 
Phương pháp thủ công [7], tác giả sử dụng 
phương pháp HOT (haze optimized 
transformation) và sử dụng liên kết giữa hai kênh 
ảnh Landsat để phân biệt vùng mây mỏng và 
không mây; và (3) Phương pháp học máy sâu [8-
10] được sử dụng trong một vài năm trở lại đây, 
các tác giả sử dụng mạng nơ-ron tích chập 
Convolutional N ... gt; max pooling (2x2) 
-> 192x192x16 
C
h
u
 t
rì
n
h
 2
 192x192x16 -> convolution (3x3) 32 feature 
maps 
-> 192x192x32-> convolution (3x3) 32 
feature maps 
-> 192x192x32 -> max pooling (2x2) 
-> 96x96x32 
C
h
u
 t
rì
n
h
 3
 96x96x32 -> convolution (3x3) 64 feature 
maps 
-> 96x96x64-> convolution (3x3) 64 feature 
maps 
-> 96x96x64 -> max pooling (2x2) 
-> 48x48x64 
C
h
u
 t
rì
n
h
 4
 48x48x64-> convolution (3x3) 128 feature 
maps 
-> 48x48x128-> convolution (3x3) 128 
feature maps 
-> 48x48x128 -> max pooling (2x2) 
-> 24x24x128 
C
h
u
 t
rì
n
h
 5
 24x24x128-> convolution (3x3) 256 feature 
maps 
-> 24x24x256-> convolution (3x3) 256 
feature maps 
-> 24x24x256 -> max pooling (2x2) 
-> 12x12x256 
C
h
u
 t
rì
n
h
 6
 12x12x256-> convolution (3x3) 512 feature 
maps 
-> 12x12x512-> convolution (3x3) 512 
feature maps 
-> 12x12x512 
Chu trình mở rộng (Decoding phase) 
C
h
u
 t
rì
n
h
 7
12x12x512-> up convolution (3x3) 256 
feature maps 
-> 24x24x256-> kết hợp lớp tại quá trình 5 
-> 24x24x512-> convolution (3x3) 256 
feature maps 
-> 24x24x256-> convolution (3x3) 256 
feature maps 
-> 24x24x256 
C
h
u
 t
rì
n
h
 8
24x24x256-> up convolution (3x3) 128 
feature maps 
-> 48x48x128-> kết hợp lớp tại quá trình 4 
-> 48x48x256-> convolution (3x3) 128 
feature maps 
-> 48x48x128-> convolution (3x3) 128 
feature maps 
-> 48x48x128 
C
h
u
 t
rì
n
h
 9
48x48x128-> up convolution (3x3) 64 
feature maps 
-> 96x96x64-> kết hợp lớp tại quá trình 3 
-> 96x96x128-> convolution (3x3) 64 
feature maps 
-> 96x96x64-> convolution (3x3) 64 feature 
maps 
-> 96x96x64 
C
h
u
 t
rì
n
h
 1
0
 192x192x64-> up convolution (3x3) 32 
feature maps 
-> 192x192x32-> kết hợp lớp tại quá trình 2 
-> 192x192x64-> convolution (3x3) 32 
feature maps 
-> 192x192x32-> convolution (3x3) 32 
feature maps 
-> 192x192x32 
C
h
u
 t
rì
n
h
 1
1
 192x192x32-> up convolution (3x3) 16 
feature maps 
-> 384x384x16-> kết hợp lớp tại quá trình 1 
-> 384x384x32-> convolution (3x3) 16 
feature maps 
-> 384x384x16-> convolution (3x3) 1 
feature maps (Sigmoid) 
-> 384x384x1 
2.3. Dữ liệu mẫu và quá trình học máy 
Mô hình ODC-Cloud sử dụng bộ dữ liệu mới 
cho mục đích phát hiện vùng mây trên ảnh vệ 
tinh Landsat 8 OLI. Bộ dữ liệu mẫu sử dụng là 
bộ dữ liệu mẫu 38-Cloud được lọc mây một cách 
thủ công [15]. Mô hình ODC-Cloud sử dụng 
8.192 mẫu và được chia làm hai phần: (i) dữ liệu 
học máy (khoảng 70% số mẫu) và (ii) dữ liệu 
kiểm chứng (khoảng 30% số mẫu). Mỗi mẫu ảnh 
được phân thành các mảnh có kích thước (384 × 
384). Các mảnh sẽ được sắp xếp theo thứ tự ngẫu 
nhiên để tối ưu hóa quá trình học máy. Giá trị 
pixel của dữ liệu đầu vào được tiêu chuẩn hóa về 
khoảng giá trị (0-1) (phương trình 7). 
𝐴 = ⁡
𝑋−𝑋𝑚𝑖𝑛
𝑋𝑚𝑎𝑥−𝑋𝑚𝑖𝑛
 (7) 
P.V. Dong et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 4 (2020) 8-16 14 
Trong đó X là giá trị pixel; Xmin là giá trị pixel 
nhỏ nhất trong ảnh, Xmax là giá trị pixel lớn nhất 
trong ảnh. 
Khả năng học máy (Learning rate) khởi điểm 
với giá trị là 0,0001 và kỹ thuật tối ưu hóa để 
giảm tỷ lệ học tập (Learning rate decay) được áp 
dụng, khả năng học máy sẽ giảm 10% qua mỗi 
lần và toàn bộ dữ liệu học máy được đi qua mô 
hình. Giá trị độ dốc (Gradient) sẽ được tính cho 
tám bộ mảnh dữ liệu được đi qua mô hình. Do 
đó, với mỗi bộ thì mô hình sẽ có 128 lần học máy 
và tối ưu trọng số. Quá trình học máy trong mô 
hình ODC-Cloud, được học toàn bộ dữ liệu là 20 
lần, số lần tối ưu trọng số (20 × 8) × 128 = 20.480 
lần. Mô hình ODC-Cloud được tối ưu trên máy 
trạm CPU Xeon 2650V2 với card đồ họa 
Geforce GTX 1050Ti với khoảng thời gian xử lý 
4 giờ và mô hình toán học được chạy trên nền 
tảng mã nguồn mở Python 3.6, kết hợp với deep 
learning framework Tensorflow 1.13 trong quá 
trình tối ưu mô hình. Các quá trình đọc ảnh và 
xuất dữ liệu ảnh vệ tinh được định dạng (*.TIFF) 
được thực hiện qua thư viện GDAL Python. 
2.4. Đánh giá độ chính xác của mô hình ODC-
Cloud 
Sau quá trình học máy, hiệu suất của mô hình 
được đánh giá độ chính xác tổng thể (Overall 
Accuracy - OA) (phương trình 8). Hai ảnh gốc 
Landsat 8 OLI và trên dữ liệu khối tại Việt Nam 
(Vietnam Data Cube). Kết quả lớp đầu ra là ảnh 
có cùng kích thước với ảnh đầu vào và số lượng 
kênh ảnh là một, giá trị pixel nằm trong giá trị 
(0, 1). Hàm sigmoid đưa giá trị cuối cùng về giá 
trị 0 và giá trị 1, qua quá trình tối ưu mô hình, 
các dữ liệu từ vùng mây sẽ có giá trị tiến về 1 và 
các vùng không mây sẽ có giá trị tiến về 0. Kết 
quả dự đoán pixel vùng mây có xác suất P và 
pixel không mây là 1 – P. Giá trị pixel sẽ được 
xác định là 1 (P > 0,5) và là 0 nếu (P < 0,5). 
OA =⁡
𝑇𝑃+𝑇𝑁
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁
 (8) 
Ở đây TP, TN, FP và FN là các chỉ số của ma 
trận được mô tả trong ma trận sai lẫn dựa trên 
tính toán chỉ số Jaccard. Đây là số liệu được chấp 
nhận rông rãi để đo hiệu suất của nhiều thuật toán 
phân đoạn ảnh [17] (Hình 6). 
Hình 6. Ma trận sai lẫn. 
3. Kết quả thử nghiệm 
3.1. Mô hình ODC-Cloud trên dữ liệu khối tại 
Việt Nam 
Xử lý toàn bộ vùng dữ liệu ảnh trên dữ liệu 
khối qua phương pháp DCNN (Deep 
Convolutional Neural Network) gặt nhiều khó 
khăn vì kích thước của các vùng khó lựa chọn 
đúng với kích thước dữ liệu đầu vào của mô hình. 
Trong nghiên cứu này, nhóm tác giá thêm một 
vùng đệm cho ảnh trước khi chia ảnh ra thành 
từng mảnh nhỏ để xử lý. Hình 7a thể hiện khu 
vực trên dữ liệu khối có kích thước (739 × 691), 
được thêm lớp vùng đệm cho cả số hàng và cột 
(các vùng đệm có giá trị pixel = 0) thành (768 × 
768) (Hình 7b). Như vậy khu vực được chia là 
bốn mảnh có kích thước nhỏ hơn ban đầu (384 × 
384) để mô hình tính toán và xử lý (Hình 7c). 
Sau khi xác định vùng mây được mô hình tính 
toán, phần vùng đệm này sẽ được loại bỏ và kết 
quả ảnh sẽ trở lại kích thước ban đầu (Hình 7d). 
Hình 7. Khu vực được lựa chọn trên dữ liệu khối 
(7a), thêm vùng đệm trên ảnh (7b), chia mảnh (7c) 
và kết quả tách vùng mây (7d). 
P.V. Dong et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 4 (2020) 8-16 15 
3.2. Độ chính xác và kết quả của mô hình 
Với bộ dữ liệu huấn luyện, độ chính xác của 
mô hình được tính cho tám bộ mảnh, mỗi bộ 
chứa 1.024 ảnh với 04 kênh ảnh (Red, Green, 
Blue, Near-Infrared), độ chính xác tổng thể trung 
bình của tám bộ mảnh được thể hiện (Bảng 3). 
Bảng 3. Độ chính xác của mô hình phát hiện 
vùng mây 
Bộ mảnh Độ chính xác (%) 
1 96,96 
2 97,16 
3 97,31 
4 97,30 
5 97,22 
6 97,14 
7 97,45 
8 97,22 
Độ chính xác tổng thế (OA) 97,22 
Hình 7 (bên phải) thể hiện ảnh vùng mây 
được tách khỏi ảnh Landsat 8 OLI từ dữ liệu khối 
tại Việt Nam (Vietnam Data Cube) thử nghiệm 
trên mô hình ODC-Cloud với độ chính xác tổng 
thể đạt được 90,26% (Bảng 4). 
Bảng 4. Độ chính xác của mô hình ODC-Cloud loại 
bỏ vùng mây trên hai ảnh Landsat 8 OLI 
Ảnh Độ chính xác 
1 91,13 % 
2 89,39 % 
Độ chính xác tổng thể (OA) 90,26 % 
Bảng 4 và Hình 8 cho thấy kết quả thử 
nghiệm mô hình ODC-Cloud trên dữ liệu khối 
tại Việt Nam với độ chính xác của từng ảnh thử 
nghiệm đều xấp xỉ đạt 90% và độ chính xác tổng 
thể cũng đạt 90%, điều đó cho thấy bước đầu mô 
hình ODC-Cloud có thể chiết tách các vùng mây 
trên ảnh vệ tinh Landsat 8 OLI với bộ dữ liệu lớn 
và có khả năng áp dụng chiết tách các vùng mây 
dày và trung bình. Hạn chế của mô hình thử 
nghiệm phát hiện và chiết tách vùng mây (ODC-
Cloud) là chưa tính toán thêm vùng bóng mây và 
mây mờ trên ảnh. Trong nghiên cứu tiếp theo, 
nhóm tác giả sẽ thử nghiệm mô hình ODC-Cloud 
trên các loại ảnh viễn thám quang học khác và 
tích hợp thuật toán phát hiện vùng mây, mây 
mỏng và bóng mây với bộ dữ liệu lớn hơn. 
4. Kết luận 
Trong nghiên cứu này, phương pháp được 
thử nghiệm dựa trên tiếp cận học máy sâu (deep 
learning) được áp dụng cho mô hình ODC-Cloud 
phát hiện các pixel vùng mây trên ảnh vệ tinh 
Landsat 8 OLI chỉ sử dụng 4 kênh ảnh (Red, 
Green, Blue, Near-Infrared). Kết quả đạt độ 
chính xác trên 90% phát hiện và chiết tách vùng 
mây khỏi ảnh vệ tinh Landsat 8 OLI. Mô hình 
ODC-Cloud có thể hỗ trợ đắc lực cho công tác 
tiền xử lý ảnh viễn thám quang học với bộ dữ 
liệu khối lớn tại Việt Nam và khả năng tính toán 
theo phân mảnh độc lập, mô hình thử nghiệm 
trong nghiên cứu này có thể áp dụng kỹ thuật tính 
toán song song cho một khu vực lớn và rất lớn. 
Hình 8. Ảnh tổ hợp mầu tự nhiên của hai ảnh 
Landsat 8 OLI (hàng đầu), ảnh vùng mây kiếm 
chứng (giữa), và ảnh kết quả vùng mây được chiết 
tách từ mô hình ODC-Cloud (bên dưới). 
P.V. Dong et al. / VNU Journal of Science: Earth and Environmental Sciences, Vol. 36, No. 4 (2020) 8-16 16 
Lời cảm ơn 
Nghiên cứu này được hỗ trợ bởi Trung tâm 
Vũ trụ Việt Nam (VNSC) và tập đoàn I.M. 
System Group, Inc (https://imsg.com) trong việc 
cung cấp môi trường và bộ dữ liệu khối tại Việt 
Nam (Vietnam Data Cube) trong quá trình 
nghiên cứu và thử nghiệm. Các tác giả xin chân 
thành cảm ơn người đánh giá ẩn danh cho các ý 
kiến mang tính xây dựng và sâu sắc đã cải thiện 
nghiên cứu này. 
Tài liệu tham khảo 
[1] M. Shi, F. Xie, Y. Zi, J. Yin, Cloud detection of 
remote sensing images by deep learning, IEEE 
International Geoscience and Remote Sensing 
Symposium (IGARSS), Beijing, 2016 (701-704) 
https://doi.org/10.1109/IGARSS.2016.7729176. 
[2] X. Jin, J. Li, T.J. Schmit, J. Li, M.D. Goldberg, J. 
J. Gurka, Retrieving clear-sky atmospheric 
parameters from SEVIRI and ABI infrared 
radiances, Journal of Geophysical Research: 
Atmospheres, Aug. 2008, 113(D15). https://doi. 
org/10.1029/2008JD010040. 
[3] R.R. Irish, J.L. Barker, S.N. Goward, T. Arvidson, 
Characterization of the Landsat-7 ETMϩ 
Automated Cloud-Cover Assessment (ACCA) 
Algorithm, American Society for Photogrammetry 
and Remote Sensing, 2006, pp. 1179-1188(10). 
https://doi.org/10.14358/PERS.72.10.1179. 
[4] L. Zhu, M. Wang, J. Shao, C. Liu, C. Zhao, Y. 
Zhao, Remote sensing of global volcanic eruptions 
using Fengyun series satellites, IEEE International 
Geoscience and Remote Sensing Symposium 
(IGARSS), Milan, Italy, Jul. (2015) 4797–4800. 
https://doi.org/10.1109/IGARSS.2015.7326903. 
[5] Z. Zhu and C. E. Woodcock, Object-based cloud 
and cloud shadow detection in Landsat imagery, 
Remote Sensing of Environment 118 (2012) 83–
94. https://doi.org/10.1016/j.rse.2011.10.028. 
[6] S. Qiu, B. He, Z. Zhu, Z. Liao, X. Quan, Improving 
Fmask cloud and cloud shadow detection in 
mountainous area for Landsats 4–8 images, 
Remote Sensing of Environment 199 (2017) 107–
119. https://doi.org/10.1016/j.rse.2017.07.002. 
[7] Y. Zhang, B. Guindon, J. Cihlar, An image 
transform to characterize and compensate for 
spatial variations in thin cloud contamination of 
Landsat images, Remote Sensing of Environment 
82(2–3) (2002) 173–187. https://doi.org/10.1016/ 
S0034-4257(02)00034-2. 
[8] F. Xie, M. Shi, Z. Shi, J. Yin, D. Zhao, Multilevel 
Cloud Detection in Remote Sensing Images Based 
on Deep Learning, IEEE J. Sel. Top. Appl. Earth 
Observations Remote Sensing 10(8) (2017) 3631–
3640. https://doi.org/10.1109/JSTARS.2017.2686488. 
[9] J.H. Jeppesen, R.H. Jacobsen, F. Inceoglu, T.S. 
Toftegaard, A cloud detection algorithm for 
satellite imagery based on deep learning, Remote 
Sensing of Environment 229 (2019) 247–259. 
https://doi.org/10.1016/j.rse.2019.03.039. 
[10] W. Huang, Y. Wang, X. Chen, Cloud detection for 
high-resolution remote-sensing images of urban 
areas using colour and edge features based on dual-
colour models, International Journal of Remote 
Sensing 39(20(2018) 6657–6675. https://doi.org/ 
10.1080/01431161.2018.1466069. 
[11] Ö. Çiçek, A. Abdulkadir, S. S. Lienkamp, T. Brox, 
O. Ronneberger, 3D U-Net: Learning Dense 
Volumetric Segmentation from Sparse 
Annotation, International conference on medical 
image computing and computer-assisted 
intervention, Springer, Cham, 2016 (424–432) 
https://doi.org/10.1007/978-3-319-46723-8_49. 
[12] O. Ronneberger, P. Fischer, T. Brox, U-Net: 
Convolutional Networks for Biomedical Image 
Segmentation, International Conference on 
Medical image computing and computer-assisted 
intervention, Springer, Cham 2015(234-241) 
https://doi.org/10.1007/978-3-319-24574-4_28. 
[13] Z. Zhang, Q. Liu, Y. Wang, Road Extraction by 
Deep Residual U-Net, IEEE Geosci. Remote 
Sensing Letter 15(5)(2018) 749–753. https://doi. 
org/10.1109/LGRS.2018.2802944. 
[14] S. Mohajerani, T. A. Krammer, P. Saeedi, A Cloud 
Detection Algorithm for Remote Sensing Images 
Using Fully Convolutional Neural Networks, 
IEEE 20th International Workshop on Multimedia 
Signal Processing (MMSP), Vancouver, BC, Aug. 2018 
(1-5) https://doi.org/10.1109/MMSP.2018.8547095. 
[15] B. Bischke, P. Helber, J. Folz, D. Borth, A. Dengel, 
Multi-Task Learning for Segmentation of Building 
Footprints with Deep Neural Networks, IEEE 
International Conference on Image Processing 
(ICIP), Taipei, Taiwan, Sep. (2019) 1480–1484. 
https://doi.org/10.1109/ICIP.2019.8803050. 
[16] S. Ji, S. Wei, M. Lu, Fully Convolutional 
Networks for Multisource Building Extraction 
From an Open Aerial and Satellite Imagery Data 
Set, IEEE Trans. Geosci. Remote Sensing 57(1) 
(2019) 574–586. https://doi.org/10.1109/TGRS. 
2018.2858817. 
[17] S. Mohajerani,P. Saeedi, Cloud-Net: An End-To-
End Cloud Detection Algorithm for Landsat 8 
Imagery, IGARSS 2019 - 2019 IEEE International 
Geoscience and Remote Sensing Symposium, 
Yokohama, Japan, 2019 (1029–1032) https:// 
doi.org/10.1109/IGARSS.2019.8898776.