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 |
| id |
oai:https:--tede.ufam.edu.br-handle-:tede-8138 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--tede.ufam.edu.br-handle-:tede-81382021-02-25T05:03:41Z Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia Methodology of Data Fusion using Deep Learning for Semantic Segmentation of Land Uses in the Amazon Oliveira, Joel Parente de Costa Filho, Cícero Ferreira Fernandes http://lattes.cnpq.br/9320149494252961 http://lattes.cnpq.br/3029011770761387 Pereira, José Raimundo Gomes http://lattes.cnpq.br/3697983438100904 Xavier, Clahildek Matos http://lattes.cnpq.br/6870670168555921 Soares, Carlos Benedito Santana da Silva http://lattes.cnpq.br/9153957633685323 https://orcid.org/0000-0002-7691-9457 Segmentação semântica Amazônia Legal Uso do solo Desmatamento Fusão de dados CIÊNCIAS EXATAS E DA TERRA Aprendizado profundo Redes neurais convolucionais Sensoriamento remoto Segmentação de imagem 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. This study proposes a methodology that uses deep learning and a multiresolution segmentation algorithm to perform the semantic segmentation of remote sensing images. The objective of the semantic segmentation is to classify the land use in three regions: forest, pasture and agriculture. Initially, the image is segmented using a convolutional network. Then, an image with homogeneous regions is generated using a multiresolution segmentation algorithm. Finally, a data fusion process is proposed to merge the information from these two segmentation processes. The field of study were areas of the Brazilian Amazon region. The input data used were LANDSAT-8/OLI images. The reference data were extracted from the results of the TerraClass project in 2014. Two sets of data were evaluated: the first with six bands and the second with three bands. Three convolutional network architectures were evaluated along with three optimization methods, SGDM, ADAM, and RMSProp, and two methods for generalization improvement: dropout and L2 regularization. The best model, defined as the association of a network architecture, an optimization method and a generalization method, which had the best performance in the validation set, was submitted to a 5-folder cross validation methodology. The results obtained with the proposed models were compared with pre-trained networks using the knowledge transfer methodology. For this purpose the following pre-tested networks were used: ResNet50, InceptionResnetv2, MobileNetv2 and Xception. Finally, the proposed methodology was evaluated in regions used by other authors. The accuracy values obtained for the images evaluated were higher than 99%, which shows the excellence of the land use classification technique developed in this work for the classification of remote sensing images. 2021-02-24T13:37:36Z 2021-01-29 Tese OLIVEIRA, Joel Parente de. Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia. 2021. 124 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus, 2021. https://tede.ufam.edu.br/handle/tede/8138 por Acesso Aberto http://creativecommons.org/licenses/by/4.0/ application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
| institution |
TEDE - Universidade Federal do Amazonas |
| collection |
TEDE-UFAM |
| language |
por |
| topic |
Segmentação semântica Amazônia Legal Uso do solo Desmatamento Fusão de dados CIÊNCIAS EXATAS E DA TERRA Aprendizado profundo Redes neurais convolucionais Sensoriamento remoto Segmentação de imagem |
| spellingShingle |
Segmentação semântica Amazônia Legal Uso do solo Desmatamento Fusão de dados CIÊNCIAS EXATAS E DA TERRA Aprendizado profundo Redes neurais convolucionais Sensoriamento remoto Segmentação de imagem Oliveira, Joel Parente de Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia |
| topic_facet |
Segmentação semântica Amazônia Legal Uso do solo Desmatamento Fusão de dados CIÊNCIAS EXATAS E DA TERRA Aprendizado profundo Redes neurais convolucionais Sensoriamento remoto Segmentação de imagem |
| description |
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. |
| author_additional |
Costa Filho, Cícero Ferreira Fernandes |
| author_additionalStr |
Costa Filho, Cícero Ferreira Fernandes |
| format |
Tese |
| author |
Oliveira, Joel Parente de |
| author2 |
http://lattes.cnpq.br/9320149494252961 https://orcid.org/0000-0002-7691-9457 |
| author2Str |
http://lattes.cnpq.br/9320149494252961 https://orcid.org/0000-0002-7691-9457 |
| title |
Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia |
| title_short |
Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia |
| title_full |
Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia |
| title_fullStr |
Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia |
| title_full_unstemmed |
Metodologia de Fusão de Dados usando aprendizado profundo para segmentação semântica de usos de solo na Amazônia |
| title_sort |
metodologia de fusão de dados usando aprendizado profundo para segmentação semântica de usos de solo na amazônia |
| publisher |
Universidade Federal do Amazonas |
| publishDate |
2021 |
| url |
https://tede.ufam.edu.br/handle/tede/8138 |
| _version_ |
1831969933555138560 |
| score |
11.753735 |