Detecção de rodovias via aprendizado profundo: adaptação de domínio não supervisionada para ambiente urbano e suburbano.

• Processo: 24/02040-4
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de agosto de 2024
• Data de Término da vigência: 28 de fevereiro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Geociências - Geodésia
• Pesquisador responsável: Aluir Porfírio Dal Poz
• Beneficiário: Gustavo Rota Collegio
• Instituição Sede: Faculdade de Ciências e Tecnologia (FCT). Universidade Estadual Paulista (UNESP). Campus de Presidente Prudente. Presidente Prudente , SP, Brasil
• Assunto(s): Segmentação semântica Fotogrametria
• Palavra(s)-Chave do Pesquisador: Adaptação de domínio não supervisionada | Detecção de rodovias | Segmentação Semântica | Treinamento adversário | U-Net | Fotogrametria

Resumo

A malha viária é um dos principais meios de transporte no mundo, a qual proporcionadiversas aplicações, tais como: planejamento urbano, economia (por ex.: logística), navegação autônoma etc. Com o uso de imagens aéreas, a tarefa de detecção de rodovias é umdos mais desafiadores e recorrentes tópicos de pesquisa na comunidade de Fotogrametriae Sensoriamento Remoto (F&SR), sendo as Redes Neurais Convolucionais (aprendizadoprofundo), o estado da arte. Entretanto, em função de aspectos de caráter contextual dasvias e da necessidade de grande conjunto de dados rotulados, a inferência ainda pode serlimitada. Por exemplo, rodovias possuem diferentes cenários, como rodovias pavimentadas,não pavimentadas, área rural, área urbana e outros, implicando em que as características epropriedades dos dados que definem um domínio para treinamento podem ser distintas deum domínio designado para teste - domínio fonte e domínio alvo. Uma forma de mitigaressa variação entre domínios, conhecida como domain shift na literatura, seria rotular osobjetos do domínio alvo e treinar novamente o modelo. Contudo, isto elucida a limitaçãode que o habitual em F&SR, é a disponibilidade de dados brutos, sem rótulos dos objetos.Para abordar esses desafios supracitados, este projeto propõe o uso da adaptação de domínio não supervisionada, com origem na arquitetura Domain Adversarial Neural Networkadaptada para a arquitetura U-Net, a fim de detectar rodovias em ambiente urbano esuburbano. Especificamente, a adaptação necessita de rótulos das rodovias somente nodomínio fonte, de modo a inferir o modelo no domínio alvo sem a necessidade de rotulação.Poucos estudos têm sido realizados por esta abordagem e ainda sugerem diversos desafios.Portanto, torna-se oportunidade de pesquisa para maior acurácia da rede viária por meiode aprendizado profundo.