Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Exploiting ConvNet Diversity for Flooding Identification

Texto completo
Autor(es):
Nogueira, Keiller [1] ; Fadel, Samuel G. [2] ; Dourado, Icaro C. [2] ; Werneck, Rafael de O. [2] ; Munoz, V, Javier A. ; Penatti, Otavio A. B. [3] ; Calumby, Rodrigo T. [4] ; Li, Lin Tzy [5, 3] ; dos Santos, Jefersson A. [1] ; Torres, Ricardo da S. [5]
Número total de Autores: 10
Afiliação do(s) autor(es):
[1] Univ Fed Minas Gerais, Dept Comp Sci, BR-31270901 Belo Horizonte, MG - Brazil
[2] Univ Estadual Campinas, Inst Comp, BR-13083970 Campinas, SP - Brazil
[3] Samsung Res & Dev Inst Brazil, BR-13097160 Campinas, SP - Brazil
[4] State Univ Feira de Santana, Dept Exact Sci, BR-44036900 Feira De Santana - Brazil
[5] Munoz, Javier A., V, Univ Estadual Campinas, Inst Comp, BR-13083970 Campinas, SP - Brazil
Número total de Afiliações: 5
Tipo de documento: Artigo Científico
Fonte: IEEE Geoscience and Remote Sensing Letters; v. 15, n. 9, p. 1446-1450, SEP 2018.
Citações Web of Science: 1
Resumo

Flooding is the world's most costly type of natural disaster in terms of both economic losses and human causalities. A first and essential procedure toward flood monitoring is based on identifying the area most vulnerable to flooding, which gives authorities relevant regions to focus. In this letter, we propose several methods to perform flooding identification in high-resolution remote sensing images using deep learning. Specifically, some proposed techniques are based upon unique networks, such as dilated and deconvolutional ones, whereas others were conceived to exploit diversity of distinct networks in order to extract the maximum performance of each classifier. The evaluation of the proposed methods was conducted in a high-resolution remote sensing data set. Results show that the proposed algorithms outperformed the state-of-the-art baselines, providing improvements ranging from 1% to 4% in terms of the Jaccard Index. (AU)

Processo FAPESP: 14/50715-9 - Characterizing and predicting biomass production in sugarcane and eucalyptus plantations in Brazil
Beneficiário:Rubens Augusto Camargo Lamparelli
Linha de fomento: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Processo FAPESP: 13/50169-1 - Towards an understanding of tipping points within tropical South American biomes
Beneficiário:Ricardo da Silva Torres
Linha de fomento: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
Beneficiário:Alexandre Xavier Falcão
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 13/50155-0 - Combining new technologies to monitor phenology from leaves to ecosystems
Beneficiário:Leonor Patricia Cerdeira Morellato
Linha de fomento: Auxílio à Pesquisa - Programa de Pesquisa sobre Mudanças Climáticas Globais - PITE
Processo FAPESP: 16/18429-1 - Uma abordagem baseada em sacola de grafos para representações envolvendo múltiplas modalidades
Beneficiário:Rafael de Oliveira Werneck
Linha de fomento: Bolsas no Brasil - Doutorado
Processo FAPESP: 15/24494-8 - Comunicação e processamento de big data em nuvens e névoas computacionais
Beneficiário:Nelson Luis Saldanha da Fonseca
Linha de fomento: Auxílio à Pesquisa - Temático