Unsupervised illegal landfills detection using land cover specific autoencoders

In contemporary society, protecting the environment has become an urgent call to action. Illegal landfill sites not only pose immediate environmental risks, but also have long-term impacts on ecosystems and human health. The detection of illegal waste disposal sites could play a key role in the fight against organised environmental crime. Our objective is to automatically identify and segment illegal landfills in satellite images using deep learning methods. This work is part of the European PERIVALLON project, which aims to prevent illegal activities such as illegal waste disposal. We address the segmentation problem using an unsupervised anomaly detection method, where normality is defined as the absence of illegal landfills. We employ Autoencoders to learn the normality of satellite images in order to detect any irregular instances of illegal dumping sites. In particular, we generate error maps by computing the pixel-wise error between the original images and the images reconstructed by the Autoencoder. We create binary segmentation masks by applying a threshold to these error maps. Moreover, we apply morphological image postprocessing to the segmentation masks to obtain connected and compact segmented objects, and improve the performance evaluation. Since normality is highly varied, a model trained on the entire dataset is not effective. Therefore, we cluster the land cover types to divide images into subsets, based on the land cover they contain. This method enables us to build land cover specific Autoencoders, achieving superior segmentation performances when compared to models trained on the entire dataset.

Nella società contemporanea, la tutela dell'ambiente è diventata un appello urgente ad agire. Le discariche abusive non solo comportano rischi ambientali immediati, ma hanno anche un impatto a lungo termine sugli ecosistemi e sulla salute umana. L'individuazione delle discariche illegali potrebbe svolgere un ruolo chiave nella lotta contro la criminalità ambientale organizzata. Il nostro obiettivo è identificare e segmentare in maniera automatica le discariche illegali nelle immagini satellitari utilizzando metodi di deep learning. Questo lavoro fa parte del progetto europeo PERIVALLON, che mira a prevenire attività illegali come lo smaltimento illegale dei rifiuti. Affrontiamo il problema della segmentazione utilizzando un metodo di rilevamento delle anomalie non supervisionato, in cui la normalità viene definita come assenza di terreni illegali. Utilizziamo degli Autoencoder per apprendere la normalità delle immagini satellitari, al fine di rilevare eventuali casi irregolari di discariche illegali. Calcolando la differenza tra l'immagine originale e quella ricostruita, generiamo le mappe di errore di ricostruzione dell'Autoencoder. Da queste, creiamo maschere di segmentazione binarie applicando una soglia all'errore. Sulle maschere di segmentazione applichiamo una post-elaborazione morfologica dell'immagine per ottenere oggetti segmentati connessi e compatti, e migliorare le prestazioni. Poiché la normalità è molto varia, un modello addestrato sull'intero set di dati non è efficace. Pertanto, raggruppando i tipi di copertura del suolo, dividiamo le immagini in sottoinsiemi, in base alla copertura del suolo che contengono. Questo ci permette di costruire Autoencoder specifici per la copertura del suolo, ottenendo prestazioni di segmentazione superiori rispetto ai modelli addestrati sull'intero set di dati.