/img alt="Imagem da capa" class="recordcover" src="""/>
Tese
Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia
Este estudo propõe uma metodologia que utiliza aprendizado profundo e um algoritmo de segmentação multiresolução para realizar a segmentação semântica de imagens de sensoriamento remoto. O objetivo da segmentação semântica é classificar o uso do solo em três regiões: floresta, pasto e agricultura. I...
Autor principal: | Oliveira, Joel Parente de |
---|---|
Outros Autores: | http://lattes.cnpq.br/9320149494252961, https://orcid.org/0000-0002-7691-9457 |
Grau: | Tese |
Idioma: | por |
Publicado em: |
Universidade Federal do Amazonas
2021
|
Assuntos: | |
Acesso em linha: |
https://tede.ufam.edu.br/handle/tede/8138 |
Resumo: |
---|
Este estudo propõe uma metodologia que utiliza aprendizado profundo e um algoritmo de segmentação multiresolução para realizar a segmentação semântica de imagens de sensoriamento remoto. O objetivo da segmentação semântica é classificar o uso do solo em três regiões: floresta, pasto e agricultura. Inicialmente, a imagem é segmentada usando uma rede convolucional. Em seguida, uma imagem com regiões homogêneas é gerada usando um algoritmo de segmentação de multiresolução. Finalmente, um processo de fusão de dados é proposto para fundir as informações provenientes desses dois processos de segmentação. O campo de estudo foram áreas da região amazônica brasileira. Os dados de entrada utilizados foram imagens LANDSAT-8/OLI. Os dados de referência foram extraídos dos resultados do projeto TerraClass em 2014. Dois conjuntos de dados foram avaliados: o primeiro com seis bandas e o segundo com três bandas. Três arquiteturas de redes convolucionais foram avaliadas juntamente com três métodos de otimização, SGDM, ADAM, e RMSProp, e com dois métodos para melhoria da generalização: dropout e regularização L2. O melhor modelo, definido como a associação de uma arquitetura da rede, de um método de otimização e de um método de generalização, que teve o melhor desempenho no conjunto de validação, foi submetido a uma metodologia de validação cruzada de 5 pastas. Os resultados obtidos com os modelos propostos foram comparados com redes pré-treinadas usando a metodologia de transferência de conhecimento. Com esse objetivo foram utilizadas as seguintes redes pré-teinadas: ResNet50, InceptionResnetv2, MobileNetv2 e Xception. Finalmente, a metodologia proposta foi avaliada em regiões utilizadas por outros autores. Os valores de acurácia obtidos para as imagens avaliadas foram superiores a 99%, o que mostra a excelência da técnica de classificação de uso de solo desenvolvida nesse trabalho para classificação de imagens de sensoriamento remoto. |