Diego Stähelin
Título
APLICAÇÃO DE REDES NEURAIS TOTALMENTE CONVOLUCIONAIS PARA IDENTIFICAÇÃO DE DERRAMAMENTOS DE PETRÓLEO EM IMAGENS DE RADAR
Resumo
O grande aumento na quantidade de imagens de satélite disponíveis nos últimos anos tornou a interpretação desses dados um problema desafiador em escala. A obtenção de representações úteis a partir de tais imagens requer um rico entendimento das informações presentes nelas. Esta Dissertação explora o problema acima, projetando uma estrutura automatizada para extrair mapas semânticos de imagens de radar de abertura sintética para rastrear a presença de derramamentos de petróleo em mar. Concebendo-o como um problema de aprendizado de máquina supervisionado, uma rede neural profunda e técnicas de processamento de imagens são implementadas e avaliadas. Um conjunto de dados e estruturas disponíveis publicamente é usado para essa finalidade. Os resultados obtidos demonstram uma melhoria considerável em relação às técnicas até então adotadas, com um aumento de 28,5% na principal métrica adotada em relação à U-Net original para a classe de maior interesse (OS) e uma aceleração do processo de convergência em cerca de 13 vezes quando comparado aos trabalhos anteriores.
Abstract
The large increase in the number of satellite images available in recent years has made the interpretation of these data a challenging problem at scale. Obtaining useful representations from such images requires a rich understanding of the information present in them. This Dissertation explores the problem above, designing an automated structure to extract semantic maps from synthetic aperture radar images to track the presence of oil spills at sea. Conceiving it as a supervised machine learning problem, a deep neural network and image processing techniques are implemented and evaluated. A set of publicly available data and structures is used for this purpose. The results obtained demonstrate a considerable improvement in relation to the techniques adopted until then, with an increase of 28.5% in the main metric adopted in relation to the original U-Net for the class of greatest interest (OS) and an acceleration of the convergence process about 13 times when compared to previous work.
