A+A-ContrastAcessibilidade
EnglishPortuguese
Buscar

Defesa de Doutorado de Danielle Furtado dos Santos Dias

11 Mar
09:00 Defesa de Doutorado Sala 85 - IC 2
Tema
Representações de Séries Temporais Baseadas em Imagens para Classificação de Imagens de Satélite
Aluno
Danielle Furtado dos Santos Dias
Orientador / Docente
Ricardo da Silva Torres
Breve resumo
A classificação de imagens de sensoriamento remoto por pixel com base no perfil temporal desempenha um papel importante em várias aplicações, tais como: reconhecimento de culturas, estudos fenológicos e monitoramento de mudanças na cobertura do solo. Com o avanço da captação de imagem por sensores, há cada vez mais a necessidade de criação de metodologias para analisar o perfil temporal das informações coletadas. Nós investigamos dados coletados em dois tipos de sensores: (i) sensores em plataformas orbitais ou satélites, esse tipo de imagem tem grande resolução espacial e, além disso, a resolução temporal e a qualidade das observações de satélite sofrem interferências de nuvens e fatores atmosféricos; e (ii) sensores fixados em campo, mais especificamente, uma câmera digital no alto de uma torre, onde as imagens capturadas podem conter dezenas de espécies, dificultando a identificação do padrão das folhas por espécie vegetativa. Devido às particularidades dos dados detectados remotamente, torna-se inviável enviar a imagem capturada pelo sensor diretamente para métodos de aprendizado de máquina sem realizar um pré-processamento. Para algumas aplicações de sensoriamento remoto, comumente não se utiliza as imagens brutas oriundas dos sensores, mas os índices de vegetação extraídos das regiões de interesse ao longo do tempo. Assim, o perfil temporal pode ser caracterizado por uma série de observações dos índices vegetativos dos pixels de interesse. Métodos baseados em aprendizado profundo obtiveram bons resultados em aplicações de sensoriamento remoto relacionadas à classificação de imagens. Contudo, em consequência da natureza dos dados, nem sempre é possível realizar o treinamento adequado das redes de aprendizado profundo, pela limitação de dados faltantes. Entretanto, podemos nos beneficiar de redes 2D previamente treinadas para detecção de objetos para extrair características e padrões de imagens. O problema alvo deste trabalho é classificar séries temporais extraídas de imagens de sensoriamento remoto representando as características temporais como imagens 2D. Este trabalho tem como objetivo investigar abordagens que codificam séries temporais como representação de imagem para propor metodologias de classificação binária e multiclasse no contexto de sensoriamento remoto, se beneficiando de redes extratoras de características profundas. Os experimentos conduzidos para classificação binária foram realizados em dados de satélite para identificar plantações de eucalipto. Os resultados obtidos superaram o método baseline. Os experimentos realizados para classificação multiclasse foram concentrados em imagens capturadas com câmera digital para detectar o padrão fenológico de regiões de interesse. Os resultados mostram que a acurácia aumenta se considerarmos regiões de pixels.
Banca examinadora
Titulares:
Ricardo da Silva Torres IC/UNICAMP
Thiago Teixeira Santos EMBRAPA
Javier Alexander Montoya Zegarra ETH Zürich
Gleyce Kelly Dantas Araújo Figueiredo FEAGRI/UNICAMP
Rubens Augusto Camargo Lamparelli NIPE/UNICAMP
Suplentes:
Fábio Luiz Usberti IC/UNICAMP
Hélio Pedrini IC/UNICAMP
João Paulo Papa FC/UNESP