Técnicas de Aprendizado Profundo Aplicadas ao Ajuste de Arranjo de Filtros em Dispositivos de Captura Única de Imagens Multiespectrais e Hiperespectrais

• Processo: 24/08388-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2024
• Data de Término da vigência: 30 de setembro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Denis Gustavo Fantinato
• Beneficiário: Tárik Ponte e Sá
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação (FEEC)
• Vinculado ao auxílio: 20/09838-0 - BI0S - Brazilian Institute of Data Science, AP.PCPE
• Assunto(s): Redes neurais convolucionais
• Palavra(s)-Chave do Pesquisador: Arranjos de Filtros Multiespectrais | Demosaico | Imagens Hiperespectrais | Imagens Multiespectrais | Redes Neurais convolucionais | Aprendizado de Redes Profundas

Resumo

As modalidades de imageamento multiespectral e hiperspectral (MSI/HSI, do inglês MultiSpectral/HyperSpectral Imaging) têm avançado consistentemente em décadas recentes. Por permitirem aquisição mais robusta da informação espectral, seus escopos foram expandidos para além do imageamento remoto, contando com aplicações nas áreas de saúde, alimentos e até preservação cultural.Em geral, câmeras MSI/HSI utilizam mecanismos de aquisição que podem ser relativamente lentos - todavia, há desenvolvimentos recentes para modelos de aquisição de captura única (ou snapshot), que generalizam o mecanismo utilizado na maioria das câmeras digitais RGB para câmeras MSI/HSI, a partir de arranjos de filtro multiespectrais (MSFA, MultiSpectral Filter Arrays) e algoritmos de demosaico (demosaicking).Apesar disso, não existe ainda uma solução definitiva para o problema de obtenção de MSFAs e algoritmos de demosaico ótimos para uma dada coleção de bandas. Contudo, técnicas baseadas em redes neurais artificiais se mostram promissoras para a segunda tarefa. Nesta análise, propõe-se expandir a atuação dos algoritmos de demosaico baseados em redes profundas, de forma a abranger também a primeira tarefa, tornando o MSFA um parâmetro ajustável na rede.Para treinamento da rede, serão utilizados bases de dados consolidadas, como o dataset CAVE da Columbia University e os datasets HSI/MSI da TokyoTech, já utilizados para o desenvolvimento de câmeras de captura única.