Busca avançada
Ano de início
Entree

Classificação Multi-Escala Utilizando Floresta de Caminhos Ótimos

Processo: 12/18768-0
Linha de fomento:Bolsas no Brasil - Pós-Doutorado
Vigência (Início): 01 de abril de 2013
Vigência (Término): 31 de agosto de 2013
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Ricardo da Silva Torres
Beneficiário:Jefersson Alex dos Santos
Instituição-sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Assunto(s):Sensoriamento remoto   Computação forense   Segmentação de imagens   Fenologia

Resumo

Atualmente, os principais problemas em reconhecimento de regiões em imagens desensoriamento remoto estão associados a dois fatores: (1) a dependência dasabordagens de classificação com relação à qualidade da segmentação; e (2)a seleção de amostras representativas para treinamento. O maior desafio é quenem sempre as amostras fornecidas por um usuário são suficientes para definir amelhor escala de segmentação. Além disso, a indicação de amostras paratreinamento pode resultar em custos adicionais, uma vez que pode ser necessáriorealizar visitas ao local de estudo dependendo da aplicação.A dependência da segmentação pode ser reduzida utilizandomúltiplas escalas ao invés de apenas um resultado de segmentação. A seleção deamostras representativas pode ser alcançada por meio do aprendizado ativo cominterações do usuário.Desse modo, o objetivo desse projeto de pesquisa é o desenvolvimento de umaabordagem de classificação multi-escala interativa que permita que a hierarquiade regiões seja alterada de acordo com as indicações do usuário.O método proposto deverá contribuir com três aplicações associadas a diferentesáreas de pesquisa do Instituto de Computação da Unicamp: (1) reconhecimentode padrões fenológicos; (2) classificação de áreas agrícolas utilizando dadosde múltiplos sensores; e (3) identificação de áreas de cultivo ilegal em imagensaéreas.

Publicações científicas (5)
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
SAITO, PRISCILA T. M.; NAKAMURA, RODRIGO Y. M.; AMORIM, WILLIAN P.; PAPA, JOAO P.; DE REZENDE, PEDRO J.; FALCAO, ALEXANDRE X. Choosing the Most Effective Pattern Classification Model under Learning-Time Constraint. PLoS One, v. 10, n. 6 JUN 26 2015. Citações Web of Science: 3.
DOS SANTOS, JEFERSSON A.; PENATTI, OTAVIO A. B.; GOSSELIN, PHILIPPE-HENRI; FALCAO, ALEXANDRE X.; PHILIPP-FOLIGUET, SYLVIE; TORRES, RICARDO DA S. Efficient and Effective Hierarchical Feature Propagation. IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, v. 7, n. 12, SI, p. 4632-4643, DEC 2014. Citações Web of Science: 10.
FARIA, FABIO A.; DOS SANTOS, JEFERSSON A.; ROCHA, ANDERSON; TORRES, RICARDO DA S. A framework for selection and fusion of pattern classifiers in multimedia recognition. PATTERN RECOGNITION LETTERS, v. 39, n. SI, p. 52-64, APR 1 2014. Citações Web of Science: 24.
FARIA, FABIO A.; PEDRONETTE, DANIEL C. G.; DOS SANTOS, JEFERSSON A.; ROCHA, ANDERSON; TORRES, RICARDO DA S. Rank Aggregation for Pattern Classifier Selection in Remote Sensing Images. IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, v. 7, n. 4, p. 1103-1115, APR 2014. Citações Web of Science: 9.
NAKAMURA, RODRIGO Y. M.; GARCIA FONSECA, LEILA MARIA; DOS SANTOS, JEFERSSON ALEX; TORRES, RICARDO DA S.; YANG, XIN-SHE; PAPA, JOAO PAPA. Nature-Inspired Framework for Hyperspectral Band Selection. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, v. 52, n. 4, p. 2126-2137, APR 2014. Citações Web of Science: 29.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.