Busca avançada
Ano de início
Entree

Análise de séries temporais de imagens de sensoriamento remoto para a detecção de anomalias

Processo: 20/06477-7
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de agosto de 2020
Vigência (Término): 31 de julho de 2021
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Maurício Araújo Dias
Beneficiário:Giovanna Carreira Marinho
Instituição Sede: Faculdade de Ciências e Tecnologia (FCT). Universidade Estadual Paulista (UNESP). Campus de Presidente Prudente. Presidente Prudente , SP, Brasil
Assunto(s):Aprendizado computacional   Visão computacional   Sensoriamento remoto   Análise de imagens   Análise de séries temporais   Reconhecimento de padrões   Anomalias   Análise quantitativa
Palavra(s)-Chave do Pesquisador:Anomaly detection | Computer Vision | Digital image processing | machine learning | Pattern Recognition | Remote Sensing | Detecção de anomalia

Resumo

O uso de técnicas para análise de imagens de sensoriamento remoto auxiliadas por diferentes classificadores vem contribuindo significativamente para o desenvolvimento de novas metodologias por parte da comunidade científica, sendo essas, empregadas com sucesso a inúmeras aplicações. Recentemente, foi proposta uma estratégia de uso de classificadores para localização de poluição de água em imagens de sensoriamento remoto, a qual baseia-se em uma taxonomia para detecção de anomalias. Apesar disso, ainda são necessários estudos sobre a aplicação dessa estratégia em séries temporais de imagens. Este trabalho propõe realizar análise de séries temporais de imagens de sensoriamento remoto de modo a aumentar o número de ferramentas, abordagens e metodologias que poderão contribuir para a área de detecção de anomalias com foco em localização de poluição de água. Para isso, será usada uma metodologia que inicialmente realiza pré-processamento nos dados das imagens (baseado na aplicação de aumento de contraste e pan-sharpening) e amostragem. Em seguida, de acordo com a mesma metodologia, são feitos: treinamento de classificadores para classificações contextual e não contextual. As métricas acurácias, precisão, recall e F-measure (ou F1-score) serão usadas para validar os resultados, de modo a realizar uma análise quantitativa.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(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)
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)

Por favor, reporte erros na lista de publicações científicas utilizando este formulário.