Novos métodos de aprendizado profundo para imagens de sensoriamento remoto

• Processo: 23/11556-1
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 10 de janeiro de 2024
• Data de Término da vigência: 17 de dezembro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Hélio Pedrini
• Beneficiário: Leandro Stival
• Supervisor: Ricardo da Silva Torres
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: Wageningen University & Research, Holanda
• Vinculado à bolsa: 22/12294-8 - Redes convolucionais com atenção para propagação de cores em vídeos, BP.DR
• Assunto(s): Aprendizagem profunda Análise de textura Aprendizado computacional Sensoriamento remoto Análise de imagens
• Palavra(s)-Chave do Pesquisador: Cloud Removal | Deep Learning | Feature Extraction | Multispectral Remote Sensing | Texture Analysis | Aprendizado de Máquina

Resumo

A análise de imagens de sensoriamento remoto é uma tarefa que recebe constantemente novas abordagens, seja para aprimorar os métodos atuais de resolução de problemas de classificação de solos, detecção de nuvens ou mudanças no relevo. Este projeto consiste em duas abordagens, visando desenvolver novas técnicas para a área e aprimorar as já existentes. Para isso, a primeira solução proposta é uma arquitetura capaz de extrair características capazes de representar imagens multi-espetrais de tal forma que essas representações possam ser utilizadas nos problemas mais comuns da área, como os citados acima. Nesta implementação utilizaremos técnicas atualmente consideradas estado da arte em computação visual e treinamento não supervisionado, dado a dificuldade da rotulação precisa desse tipo de dado. Com o treinamento deste modelo capaz de gerar características generalista para imagens multiespectrais, realizaremos a segunda solução proposta, uma arquitetura capaz de remover nuvens presentes nas imagens. Este e um problema considerado como clássico para a área de sensoriamento remoto, uma vez que a presença de nuvens impossibilita a análise temporal das regiões. Para isso, assim como a primeira solução, a técnica de autoatenção, e treinamento com ênfase nas texturas das regiões serão aplicadas na arquitetura, desta forma pretendemos superar os trabalhos atuais considerados estados da arte. Ambas as soluções utilizarão originalmente a técnicas de extração de características que estão sendo atualmente aplicadas na pesquisa de doutorado. Essa reutilização permitira a introdução destas no domínio de sensoriamento remoto, permitindo assim a validação da capacidade de extensão de domínio da nossa arquitetura proposta. Ao final deste projeto pretendemos ter duas ferramentas implementadas para sensoriamento remoto, onde a primeira com ênfase no reconhecimento de padrões, sendo esta abordagem útil para outras áreas da computação visual, enquanto a segunda tarefa possui um conteúdo mais específico para o domínio da observação da terra. (AU)

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)

STIVAL, LEANDRO; TORRES, RICARDO DA SILVA; PEDRINI, HELIO. Video Colorization Based on a Diffusion Model Implementation. INTELLIGENT SYSTEMS AND APPLICATIONS, VOL 1, INTELLISYS 2024, v. 1065, p. 15-pg., 2024-01-01. (23/11556-1, 22/12294-8)

STIVAL, LEANDRO; TORRES, RICARDO DA SILVA; PEDRINI, HELIO. Enhancing Video Colorization with Deep Learning: A Comprehensive Analysis of Training Loss Functions. INTELLIGENT SYSTEMS AND APPLICATIONS, VOL 1, INTELLISYS 2024, v. 1065, p. 14-pg., 2024-01-01. (23/11556-1, 22/12294-8)