“Bicentenário da Independência: 200 anos de ciência, tecnologia e inovação no Brasil e 96 anos de contribuição da UFV”.
8 a 10 de novembro de 2022
Trabalho 17086
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Inteligência Artificial |
| Setor | Instituto de Ciências Exatas e Tecnológicas - Campus Rio Paranaíba |
| Bolsa | CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Laura Guimarães Martins Arakaki |
| Orientador | JOAO FERNANDO MARI |
| Outros membros | André Ricardo Backes, LEANDRO HENRIQUE FURTADO PINTO SILVA, Mauricio Cunha Escarpinati |
| Título | Análise de redes neurais convolucionais para segmentação e classificação de imagens de sensoriamento remoto |
| Resumo | Imagens de sensoriamento remoto são um importante recurso para a obtenção de informações em aplicações de agricultura de precisão. Um problema comum neste tipo de imagem é a oclusão de regiões de interesse por nuvens. O objetivo deste trabalho é testar métodos baseados em redes neurais convolucionais (RNCs) para a segmentação de nuvens em imagens de satélite. Para isso, foram comparados três modelos de segmentação, todos baseados na arquitetura U-Net com diferentes backbones. A U-Net é uma arquitetura muito utilizada para segmentação semântica de imagens e é composta por blocos de contração e blocos de expansão. A camada de saída da U-Net é formada por n canais, sendo n o número de classes do problema. Métodos de segmentação semântica baseados em RNCs constituem o estado da arte deste tipo de problema. A segmentação semântica consiste em rotular todos os pixels em uma imagem de acordo com o objeto a qual eles pertencem. O primeiro modelo considerado é mais simples e consiste em três blocos de contração seguido de três blocos de expansão. O segundo modelo possui um backbone baseado na RNC VGG-16 e o terceiro na ResNet-18. Os métodos foram testados usando o conjunto de dados Cloud-38, composto por 8.400 imagens de satélite no conjunto de treinamento e 9.201 imagens no conjunto de testes, sendo que para cada imagem é fornecido uma imagem de referência com as nuvens delineadas. O conjunto de treinamento foi dividido em duas partes, uma para o treinamento dos modelos (6.000 imagens) e outra para a validação (2.400 imagens). Os modelos foram treinados usando otimizador Adam ao longo de 50 épocas. O modelo mais simples (U-Net) foi treinado do princípio, por não haver modelos pré-treinados disponíveis. Os modelos com backbones baseados na VGG-16 e na ResNet-18 foram treinados usando fine-tuning sobre modelos pré-treinados com a ImageNet. Os resultados demonstram que os modelos testados são capazes de segmentar as nuvens nas imagens de forma satisfatória. A U-Net alcançou acurácia de 0,96 no conjunto de validação e 0,95 no conjunto de teste, a U-Net com VGG-16 obteve 0,98 no conjunto de validação e 0,83 no conjunto de teste e a U-Net com ResNet-18 obteve 0,98 no conjunto de validação e 0,82 no conjunto de teste. |
| Palavras-chave | Segmentação de nuvens, imagens de satélite, deep learning |
| Forma de apresentação..... | Vídeo |
| Link para apresentação | Vídeo |
|---|