Defesa de Mestrado de Juan Felipe Hernández Albarracín

Título do Trabalho
Genetic-Programming-based Spectral Indices for Remote Sensing Image Classification
Candidato(a)
Juan Felipe Hernández Albarracín
Nível
Mestrado
Data
17/03/20172017-03-16 21:00:00 2017-03-16 21:00:00 Defesa de Mestrado de Juan Felipe Hernández Albarracín Genetic-Programming-based Spectral Indices for Remote Sensing Image Classification Auditório do IC 2 - Sala 85 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
14:00
Local
Auditório do IC 2 - Sala 85
Orientador(a)
Ricardo da Silva Torres
Banca Examinadora

Titulares:
Ricardo da Silva Torres (IC/UNICAMP)
Thiago Sanna Freire Silva (IGCE/UNESP)
Sandra Eliza Fontes de Avila (IC/UNICAMP)
Suplentes:
Fábio Luiz Usberti (IC/UNICAMP)
Gleyce Kelly Dantas Araújo Figueiredo (FEAGRI/UNICAMP)

Resumo

Sensoriamento remoto é a prática que permite, por meio de sensores, analisar objetos a longas distâncias sem estabelecer contato físico com eles. Atualmente, sua contribuição em ciências naturais é enorme, dado que é possível adquirir imagens de objetos alvos em mais regiões do espectro eletromagnético além do canal visível. Trabalhar com imagens compostas por múltiplas bandas espectrais requer tratar com grandes quantidades de informação associada a uma única entidade, coisa que afeta negativamente o desempenho de algoritmos de predição. Portanto, o uso de técnicas de redução da dimensionalidade é mandatório. Este trabalho apresenta uma abordagem de extração de características baseada em índices espectrais aprendidos por Programação Genética (GP), que projetam os dados associados aos pixels em novos espaços de características. O objetivo é  aprimorar a acurácia de algoritmos de classificação. Índices espectrais são funções que relacionam a refletância, em canais específicos do espectro, com valores reais que podem ser interpretados como a abundância de características de interesse de objetos captados à distância. Com GP, é possível aprender índices que maximizam a separabilidade de amostras de duas classes diferentes. A partir dos índices especializados para cada par possível de classes são obtidos, propomos duas abordagens diferentes para combiná-los e construir um sistema de classificação de pixels. Os resultados obtidos para os cenários binário e multi-classe mostram que o método proposto é competitivo com respeito a técnicas tradicionais de redução da dimensionalidade. Experimentos adicionais aplicando o método para análise sazonal de biomas tropicais mostram claramente a superioridade de índices aprendidos por GP para propósitos de discriminação, com respeito a índices desenvolvidos por especialistas, independentemente da especificidade do problema.