| Processo: | 16/14760-5 |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado |
| Data de Início da vigência: | 01 de novembro de 2016 |
| Data de Término da vigência: | 30 de junho de 2019 |
| Área de conhecimento: | Ciências Exatas e da Terra - Ciência da Computação |
| Pesquisador responsável: | Alexandre Xavier Falcão |
| Beneficiário: | John Edgar Vargas Muñoz |
| Instituição Sede: | Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil |
| Bolsa(s) vinculada(s): | 17/10086-0 - Detecção e delineamento de prédios rurais utilizando imagens de sensoriamento remoto, BE.EP.DR |
| Assunto(s): | Segmentação de imagens Aprendizado ativo |
| Palavra(s)-Chave do Pesquisador: | Aprendizado Ativo | Imagens de sensoriamento remoto | segmentação de imagens | Aprendizado de Máquina, Processamento de Imagens |
Resumo Diversos métodos de classificação de imagens de sensoriamento remoto têm sido propostos para gerar mapas temáticos de cobertura da terra e áreas urbanas. No entanto, o método de anotação manual ainda é muito utilizado por especialistas para etiquetar imagens de sensoriamento remoto - uma tarefa exaustiva e propensa a erros, especialmente quando ele se baseia em uma imagem de composição colorida artificial com classes dificilmente distinguíveis. Devido a esse problema o mapeamento da cobertura da terra muitas vezes requer a visita à localização geográfica para realizar as anotações corretamente. Neste contexto, a qualidade dos vetores de característica extraídos das imagens e as amostras de treinamento são cruciais para minimizar o esforço do usuário na anotação da imagem. A utilização de regiões como amostras, e técnicas de aprendizado ativo podem mitigar o problema através da redução do número de amostras de treino e iterações de anotações do especialista. No entanto, o desenvolvimento de métodos de aprendizado ativo depende frequentemente de simulações das ações dos especialistas utilizando dados pré-anotados. Tal prática ignora possíveis erros de anotação e desconsidera o especialista como parte do ciclo de aprendizagem. Além disso, os métodos geralmente ignoram que as regiões que não são de interesse na anotação da imagem também devem ser tratadas. Nós propomos pesquisar métodos de aprendizado ativo que não sofrem dessas deficiências, a fim de desenvolver um arcabouço mais realista para a anotação de imagens de sensoriamento remoto. A proposta baseia-se na segmentação eficaz em superpixels, extração de atributos e organização de dados a fim de facilitar o ciclo de aprendizagem, em que o classificador aprendiz deve selecionar as amostras de treinamento mais efetivas para o processo de aprendizagem do classificador. Para o desenvolvimento e validação usaremos imagens de cores naturais para facilitar o processo de anotação com o especialista fazendo parte do ciclo de aprendizagem. A simulação de anotações do experto em imagens de composição colorida, pré-anotadas por especialistas, também será considerada para uma avaliação mais completa. | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |