Imaginile sintetice cu rezoluție îmbunătățită au fost clasificate utilizând tehnicile:

• Învățarea Profundă prin zone (Convolutional Neural Network Patch-based)

Această abordare de clasificare implică rețele profunde care au ca intrare porțiuni de imagine și produc o singură valoare care reprezintă clasa zonei respective. Antrenamentul acestui tip de rețea necesită ca date de intrare doar porțiuni de imagine și valorile clasei asociate.

• Hibrid între Învățarea Profundă și Random Forests (Hybrid Deep Learning Random Forest)

În acest caz Învățarea Profundă este folosită în principal ca modalitate de dezvoltare a unor caracteristici, si nu ca un clasificator. În ultima instanță înainte de calcularea pseudo-probabilității claselor, modelul calculează o serie de caracteristici. Obținem astfel obiectul de ieșire pentru pixelii imaginii, iar pixelii rezultați sunt apoi utilizați drept caracteristici pentru antrenarea clasificatorului Random Forests.

• Învățarea automată prin Random Forests (Machine Learning Random Forest)

Random Forests este un algoritm de învățare supravegheată care se bazează pe un ansamblu de arbori predictivi. Pentru clasificarea unui vector de intrare, acesta este transmis pentru analiză fiecărui arbore din pădure, iar clasificarea este determinată ulterior printr-un vot majoritar.