Segmentando desmatamento em imagens de satélite usando U-Net
Palavras-chave:
Visão Computacional, Sensoreamento Remoto, Desmatamento, U-Net, Deep LearningResumo
Com o desenvolvimento da computação e de algoritmos de inteligência artificial, a área de Visão Computacional vem a cada dia se revelando útil para uma série de aplicações, como diagnósticos médicos, carros autônomos e sensoreamento remoto. Esta área se beneficiou bastante com o desenvolvimento de algoritmos de deep-learning, que utilizam grandes conjuntos de dados (anotados ou não) para automatizar etapas que antes precisavam de bastante conhecimento e interferência humana, como a detecção de features na imagem e a escolha de algoritmos de classificação. Aplicações de Visão Computacional em imagens de satélite (sensoreamento remoto) são muito pesquisadas, pois oferecem uma maneira automática de se analisar a grande quantidade de dados que um satélite pode coletar durante sua operação. Essas aplicações incluem: previsão do tempo, detecção de queimadas, análise de biodiversidade, entre outras. No entanto, apesar desta vasta quantidade de dados de imagem disponíveis, há uma dificuldade em se criar anotações, muitas vezes necessitando de interferência humana especializada. Algoritmos não supervisionados lidam com esse problema em certas aplicações. Este trabalho será focado na detecção de desmatamento usando sensoreamento remoto. Como os satélites disponibilizam dados semanalmente, esse tipo de aplicação permite uma rápida ação de governantes para atuar contra possíveis ações criminosas em florestas, além de oferecer uma estimativa de quanto a floresta foi degradada ao longo dos anos.
Downloads
Referências
M. Cha, G. Angelides, M. Hamilton, A. Soszynski, B. Swenson, N. Maidel, P. Isola, T. Perron e B. Freeman. MultiEarth 2023 – Multimodal Learning for Earth and Environment Workshop and Challenge. 2023. arXiv:2306.04738 [cs.CV]. url: https://arxiv.org/abs/2306.04738.
I. J. Goodfellow, Y. Bengio e A. Courville. Deep Learning. http://www.deeplearningbook.org. Cambridge, MA, USA: MIT Press, 2016.
J. Nilsson e T. Akenine-Möller. Understanding SSIM. 2020. arXiv:2006.13846 [eess.IV]. url: https://arxiv.org/abs/2006.13846.
R. Olaf, F. Philipp e B. Thomas. U-Net: Convolutional Networks for Biomedical Image Segmentation. 2015. arXiv:1505.04597 [cs.CV]. url: https://arxiv.org/abs/1505.04597.
Y. Wang, B. Liang, M. Ding e J. Li. “Dense Semantic Labeling with Atrous Spatial Pyramid Pooling and Decoder for High-Resolution Remote Sensing Imagery”. Em: Remote Sensing 11.1 (2019), p. 20. url: https://www.mdpi.com/2072-4292/11/1/20.
