Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 21918
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Sociais: ODS2 |
| Setor | Departamento de Informática |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Lucas Vieira dos Santos |
| Orientador | HUGO NEVES DE OLIVEIRA |
| Título | Aprendizado de representações via auto-supervisão em imagens de sensoriamento remoto de áreas rurais |
| Resumo | Modelos fundacionais representam uma transformação no campo da inteligência artificial ao serem treinados em larga escala com dados multimodais e generalistas, o que lhes confere a capacidade de resolver uma ampla variedade de tarefas com pouca ou nenhuma necessidade de ajuste específico para cada aplicação. Essas arquiteturas, como o Segment Anything Model (SAM), têm se destacado por permitir abordagens zero-shot e few-shot altamente eficazes, mesmo em domínios fora do conjunto de dados original de treinamento. Na prática, isso reduz drasticamente a dependência de grandes volumes de dados anotados, o que é particularmente valioso em áreas especializadas como sensoriamento remoto, onde o custo de anotação é elevado e exige conhecimento técnico. Neste contexto, este trabalho investiga o uso do SAM para a segmentação automática de parcelas agrícolas em imagens de satélite multiespectrais. Inserido nos estudos sobre auto-supervisão e aprendizado de representações, o objetivo é avaliar a aplicabilidade e a capacidade de generalização do SAM no domínio do sensoriamento remoto rural, considerando tanto o uso direto em regime zero-shot quanto com fine-tuning. Para isso, foram utilizadas imagens de satélite de cidades brasileiras, obtidas em parceria com o IBGE, acompanhadas de máscaras binárias representando os talhões agrícolas. A metodologia propõe uma geração de prompts personalizada, composta por pontos positivos (em regiões de parcelas), pontos negativos (em regiões amplas de fundo) e caixas delimitadoras abrangendo os objetos de interesse, a fim de explorar a natureza promptable do modelo. Os experimentos envolveram avaliações quantitativas com métricas a nível de pixel e de instância, bem como comparações com métodos tradicionais. Por fim, os resultados demonstram que, mesmo com conjuntos reduzidos de dados rotulados para fine-tuning, o SAM alcança desempenho competitivo na segmentação de talhões, indicando seu potencial para aplicações em agricultura de precisão e monitoramento rural. Conclui-se que a abordagem proposta é promissora e reprodutível, contribuindo para o avanço do uso de foundation models em imagens não-naturais e apresentando aplicabilidade direta em iniciativas como o Censo Agro do IBGE. |
| Palavras-chave | Segmentação de Imagens, Sensoriamento Remoto, Agricultura de Precisão |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|