Busca avançada
Ano de início
Entree

Detecção, análise e localização de anomalias: um estudo de caso sobre imagens digitais estáticas de sensoriamento remoto aplicado à Cartografia

Processo: 16/24185-8
Modalidade de apoio:Bolsas no Exterior - Pesquisa
Data de Início da vigência: 01 de fevereiro de 2018
Data de Término da vigência: 31 de julho de 2018
Área de conhecimento:Interdisciplinar
Pesquisador responsável:Maurício Araújo Dias
Beneficiário:Maurício Araújo Dias
Pesquisador Anfitrião: Josef Kittler
Instituição Sede: Faculdade de Ciências e Tecnologia (FCT). Universidade Estadual Paulista (UNESP). Campus de Presidente Prudente. Presidente Prudente , SP, Brasil
Instituição Anfitriã: University of Surrey, Inglaterra  
Assunto(s):Sensoriamento remoto   Visão computacional   Reconhecimento de padrões   Detecção de anomalias
Palavra(s)-Chave do Pesquisador:Anomaly detection | cartographic features | Computer Vision | Digital image processing | Pattern Recognition | Remote Sensing | Detecção de anomalia

Resumo

Para a Cartografia, que é uma Geociência relacionada a mapeamentos, uma anomalia é um padrão não conforme, tal como uma estrutura desconhecida ou inesperada, por exemplo presente em imagens obtidas por sensoriamento remoto, que precisa receber algum tipo de tratamento para ser resolvida. A vasta quantidade dessas imagens em tamanho grande, que estão disponíveis para pesquisa, representa um desafio quando o Processamento Digital de Imagens (PDI) é o único conjunto de ferramentas usado para tratar anomalias, porque a quantidade de dados para serem processados para essas imagens requer muitas operações de PDI com alto custo computacional. Além disso, pesquisadores frequentemente tratam anomalias usando algoritmos de PDI complexos, que nem sempre apresentam resultados precisos. Sem usar qualquer outra ferramenta para ajudar a tratar anomalias, o PDI requer muito tempo e recursos computacionais, ao mesmo tempo que é difícil alcançar precisão. Com relação a essas desvantagens, a literatura científica apresenta muitas publicações descrevendo métodos ou algoritmos baseados em combinações de ferramentas para Reconhecimento de Padrões (RP), tais como detecção e análise de anomalia ou detecção e localização de anomalia. Cada par dessas ferramentas consegue solucionar subconjuntos dessas desvantagens, mas não todas elas. Portanto este projeto objetiva desenvolver um algoritmo para detecção, análise e localização de anomalia. Esse algoritmo automaticamente detecta ocorrências, identifica tipos e localiza espacialmente anomalias, em um estágio de pré-processamento, antes da aplicação de operações de PDI, usadas para tratar anomalias em imagens digitais estáticas obtidas por sensoriamento remoto para a Cartografia. O algoritmo proposto lida com todas as desvantagens citadas acima. A experiência e excelência em RP da University of Surrey é importante para criar um algoritmo que ajudará algoritmos de PDI a tratar anomalias com precisão e consumindo menos tempo e recursos computacionais.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas (6)
(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)
PARRA, LARISSA M. P.; SANTOS, FABRICIA C.; NEGRI, ROGERIO G.; COLNAGO, MARILAINE; BRESSANE, ADRIANO; DIAS, MAURICIO A.; CASACA, WALLACE. Assessing the impacts of catastrophic 2020 wildfires in the Brazilian Pantanal using MODIS data and Google Earth Engine: A case study in the world's largest sanctuary for Jaguars. EARTH SCIENCE INFORMATICS, v. N/A, p. 11-pg., . (21/03328-3, 16/24185-8, 21/01305-6)
ANANIAS, PEDRO HENRIQUE M.; NEGRI, ROGERIO G.; BRESSANE, ADRIANO; DIAS, MAURICIO A.; SILVA, ERIVALDO A.; CASACA, WALLACE. ABF: A data-driven approach for algal bloom forecasting using machine intelligence and remotely sensed data series. SOFTWARE IMPACTS, v. 17, p. 3-pg., . (21/03328-3, 16/24185-8, 21/01305-6)
ANANIAS, PEDRO HENRIQUE M.; NEGRI, ROGERIO G.; DIAS, MAURICIO A.; SILVA, ERIVALDO A.; CASACA, WALLACE. A Fully Unsupervised Machine Learning Framework for Algal Bloom Forecasting in Inland Waters Using MODIS Time Series and Climatic Products. REMOTE SENSING, v. 14, n. 17, p. 22-pg., . (21/03328-3, 21/01305-6, 16/24185-8)
DIAS, MAURICIO ARAUJO; DA SILVA, ERIVALDO ANTONIO; DE AZEVEDO, SAMARA CALCADO; CASACA, WALLACE; STATELLA, THIAGO; NEGRI, ROGERIO GALANTE. An Incongruence-Based Anomaly Detection Strategy for Analyzing Water Pollution in Images from Remote Sensing. REMOTE SENSING, v. 12, n. 1, . (16/24185-8)
MARINHO, GIOVANNA CARREIRA; MARCILIO JUNIOR, WILSON ESTECIO; DIAS, MAURICIO ARAUJO; ELER, DANILO MEDEIROS; NEGRI, ROGERIO GALANTE; CASACA, WALLACE. Dimensionality Reduction and Anomaly Detection Based on Kittler's Taxonomy: Analyzing Water Bodies in Two Dimensional Spaces. REMOTE SENSING, v. 15, n. 16, p. 24-pg., . (16/24185-8, 21/03328-3, 20/06477-7, 21/01305-6)
DIAS, MAURICIO ARAUJO; MARINHO, GIOVANNA CARREIRA; NEGRI, ROGERIO GALANTE; CASACA, WALLACE; MUNOZ, IGNACIO BRAVO; ELER, DANILO MEDEIROS. A Machine Learning Strategy Based on Kittler's Taxonomy to Detect Anomalies and Recognize Contexts Applied to Monitor Water Bodies in Environments. REMOTE SENSING, v. 14, n. 9, p. 38-pg., . (20/06477-7, 21/01305-6, 16/24185-8, 21/03328-3)