1 |
[en] COMPARING AUTOMATIC IMAGE CLASSIFICATION TECHNIQUES OF REMOTE SENSING IMAGES / [pt] ANÁLISE COMPARATIVA DE TÉCNICAS DE CLASSIFICAÇÃO AUTOMÁTICA DE IMAGENS DE SENSORIAMENTO REMOTOLEONARDO VIDAL BATISTA 22 August 2006 (has links)
[pt] Neste trabalho, diversas técnicas de classificação
automática de imagens de sensoriamento remoto são
investigadas. Na análise, incluem-se um método não-
paramétrico, denominado K-Médias. Adaptativos Hierárquico
(KMAH), e seis paramétricos: o Classificador de Máxima
Verossimilhança (MV), o de Máxima Probabilidade a
Posteriori (MAP), o MAP Adaptativo (MAPA), por Subimagens
(MAPSI), o Contextual Tilton-Swain (CXTS) e o Contextual
por Subimagens (CXSI). O treinamento necessário à
implementação das técnicas paramétricas foi realizado de
forma não-supervisionada, usando-se para tanto a
classificação efetuada pelo KMAH. Considerações a respeito
das vantagens e desvantagens dos classificadores, de
acordo com a observação das taxas de erros e dos tempos de
processamento, apontaram as técnicas MAPA e MAPSI com as
mais convenientes / [en] In this thesis, several techniques of automatic
classfication of remote sensing impeages are investigated.
Included in the analysis are ane non-parametric method,
known as Adaptative hierarchical K-means (KMAH), and six
parametric ones: the Maximum Likelihood (MV), the Maximum
a Posteriori Probability (MAP), the Adaptative MAP (MAPA),
the Subimages MAP (MAPSI), the tilton-Swain Contextual,
(CXTS) and the Subimages Contextual (CXSI) classifiers.
The necessary training for the parametric case was done in
a non-supervised form, by using the KMAH classification.
Considerations about the advantages and disadvantages of
the classifiers were made and, based on the observation of
the error rates and processing time, the MAPA and MAPSI
have shown the best performances.
|
2 |
[en] KNOWLEDGE-BASED INTERPRETATION OF HIGH RESOLUTION REMOTE SENSING IMAGES / [pt] INTERPRETAÇÃO BASEADA EM CONHECIMENTO DE IMAGENS DE SENSORES REMOTOS DE ALTA RESOLUÇÃOTHIAGO BROERMAN CAZES 21 March 2006 (has links)
[pt] A cada dia mais e mais satélites de alta resolução têm se
tornado disponíveis,
criando grande demanda por novos métodos de interpretação
baseados em
conhecimento. Estes métodos emulam parcialmente o trabalho
do especialista em
análise visual de imagens. Nesse contexto, o presente
trabalho apresenta um modelo de
classificação baseado no conhecimento do especialista
aplicado a imagens de alta
resolução. O modelo de interpretação consiste de três
fases. A primeira inclui o
conhecimento espectral e a informação de textura. Na
segunda fase dados de SIG
(sistema de informação geográfico) são combinados com o
resultado da análise
espectral através de regras nebulosas. Na terceira e
última fase é introduzido o
conhecimento multitemporal através de uma estimativa das
possibilidades de transição
entre classes de uma mesma área em um dado intervalo de
tempo. Para validação desse
modelo experimentos foram realizados em imagens IKONOS e
fotos aéreas de 1999,
2001 e de 2002 da área do Parque Estadual da Pedra Branca,
que é um importante
fragmento da Floresta Atlântica situado no estado do Rio
de Janeiro, Brasil. / [en] New high resolution satellites for commercial purposes
became available in the
few years. This increases the need of new automatic
knowledge based image
interpretation methods. Such methods partially emulate the
reasoning of an image
analyst during the visual image interpretation. The
present work falls into this context
and proposes an automatic classification model for high
resolution remotely sensed
images. The model consists of three stages. In the first
stage only spectral and textural
information are used for classification. In the second
stage GIS (geographic information
system) data are combined with the result of the spectral
analysis by means of fuzzy
rules. In the third stage the multitemporal knowledge is
introduced by estimating class
transition possibilities within a given time span. To
validate the proposed model
experiments were performed based on IKONOS images from
2001 and 2002 as well as
aerial photos from 1999 of the Pedra Branca Park, which is
an important Atlantic Forest
fragment in the State Rio de Janeiro in Southeast Brazil.
|
3 |
[en] CONVOLUTIONAL NETWORKS APPLIED TO SEISMIC NOISE CLASSIFICATION / [pt] REDES CONVOLUCIONAIS APLICADAS À CLASSIFICAÇÃO DE RUÍDO SÍSMICOEDUARDO BETINE BUCKER 24 March 2021 (has links)
[pt] Modelos baseados em redes neurais profundas como as Redes Neurais Convolucionais proporcionaram avanços significativos em diversas áreas da computação. No entanto, essa tecnologia é ainda pouco aplicada à predição de qualidade sísmica, que é uma atividade relevante para exploração de hidrocarbonetos. Ser capaz de, rapidamente, classificar o ruído presente em aquisições de dados sísmicos permite aceitar ou rejeitar essas aquisições de forma eficiente, o que além de economizar recursos também melhora a interpretabilidade dos dados. Neste trabalho apresenta-se um dataset criado a partir de 6.918 aquisições manualmente classificadas pela percepção de especialistas e pesquisadores, que serviu de base para o treinamento, validação e testes de um classificador, também proposto neste trabalho, baseado em uma rede neural convolucional. Em resultados empíricos, observou-se-se um F1 Score de 95,58 porcento em uma validação cruzada de 10 folds e 93,56 porcento em um conjunto de holdout de teste. / [en] Deep Learning based models, such as Convolutional Neural Networks
(CNNs), have led to significant advances in several areas of computing applications.
Nevertheless, this technology is still rarely applied to seismic quality
prediction, which is a relevant task in hydrocarbon exploration. Being able
to promptly classify noise in common shot gather(CSG) acquisitions of seismic
data allows the acceptance or rejection of those aquisitions, not only
saving resources but also increasing the interpretability of data. In this work,
we introduce a real-world classification dataset based on 6.918 common shot
gather, manually labeled by perception of specialists and researches. We use
it to train a CNN classification model for seismic shot-gathers quality prediction.
In our empirical evaluation, we observed an F1 Score of 95,58 percent in
10 fold cross-validation and 93,56 percent in a Holdout Test.
|
4 |
[pt] APRIMORAÇÃO DO ALGORITMO Q-NAS PARA CLASSIFICAÇÃO DE IMAGENS / [en] ENHANCED Q-NAS FOR IMAGE CLASSIFICATIONJULIA DRUMMOND NOCE 31 October 2022 (has links)
[pt] Redes neurais profundas são modelos poderosos e flexíveis que ganharam a atenção da comunidade de aprendizado de máquina na última década. Normalmente, um especialista gasta um tempo significativo projetando a arquitetura neural, com longas sessões de tentativa e erro para alcançar resultados
bons e relevantes. Por causa do processo manual, há um maior interesse em abordagens de busca de arquitetura neural, que é um método que visa automatizar a busca de redes neurais. A busca de arquitetura neural(NAS) é uma subárea das técnicas de aprendizagem de máquina automatizadas (AutoML) e uma etapa essencial para automatizar os métodos de aprendizado de máquina.
Esta técnica leva em consideração os aspectos do espaço de busca das arquiteturas, estratégia de busca e estratégia de estimativa de desempenho. Algoritmos evolutivos de inspiração quântica apresentam resultados promissores quanto à convergência mais rápida quando comparados a outras soluções com espaço de busca restrito e alto custo computacional. Neste trabalho, foi aprimorado o Q-NAS: um algoritmo de inspiração quântica para pesquisar redes profundas por meio da montagem de subestruturas simples. O Q-NAS também pode evoluir alguns hiperparâmetros numéricos do treinamento, o que é um primeiro passo na direção da automação completa. Foram apresentados resultados aplicando
Q-NAS, evoluído, sem transferência de conhecimento, no conjunto de dados CIFAR-100 usando apenas 18 GPU/dias. Nossa contribuição envolve experimentar outros otimizadores no algoritmo e fazer um estudo aprofundado dos parâmetros do Q-NAS. Nesse trabalho, foi possível atingir uma acurácia
de 76,40%. Foi apresentado também o Q-NAS aprimorado aplicado a um estudo de caso para classificação COVID-19 x Saudável em um banco de dados de tomografia computadorizada de tórax real. Em 9 GPU/dias, conseguimos atingir uma precisão de 99,44% usando menos de 1000 amostras para dados
de treinamento. / [en] Deep neural networks are powerful and flexible models that have gained
the attention of the machine learning community over the last decade. Usually,
an expert spends significant time designing the neural architecture, with
long trial and error sessions to reach good and relevant results. Because
of the manual process, there is a greater interest in Neural Architecture
Search (NAS), which is an automated method of architectural search in
neural networks. NAS is a subarea of Automated Machine Learning (AutoML)
and is an essential step towards automating machine learning methods. It
is a technique that aims to automate the construction process of a neural
network architecture. This technique is defined by the search space aspects
of the architectures, search strategy and performance estimation strategy.
Quantum-inspired evolutionary algorithms present promising results regarding
faster convergence when compared to other solutions with restricted search
space and high computational costs. In this work, we enhance Q-NAS: a
quantum-inspired algorithm to search for deep networks by assembling simple
substructures. Q-NAS can also evolve some numerical hyperparameters, which
is a first step in the direction of complete automation. Our contribution involves
experimenting other types of optimizers in the algorithm and make an indepth
study of the Q-NAS parameters. Additionally, we present Q-NAS results,
evolved from scratch, on the CIFAR-100 dataset using only 18 GPU/days.
We were able to achieve an accuracy of 76.40% which is a competitive result
regarding other works in literature. Finally, we also present the enhanced QNAS
applied to a case study for COVID-19 x Healthy classification on a real
chest computed tomography database. In 9 GPU/days we were able to achieve
an accuracy of 99.44% using less than 1000 samples for training data. This
accuracy overcame benchmark networks such as ResNet, GoogleLeNet and
VGG.
|
5 |
[en] POPULATION DISTRIBUTION MAPPING THROUGH THE DETECTION OF BUILDING AREAS IN GOOGLE EARTH IMAGES OF HETEROGENEOUS REGIONS USING DEEP LEARNING / [pt] MAPEAMENTO DA DISTRIBUIÇÃO POPULACIONAL ATRAVÉS DA DETECÇÃO DE ÁREAS EDIFICADAS EM IMAGENS DE REGIÕES HETEROGÊNEAS DO GOOGLE EARTH USANDO DEEP LEARNINGCASSIO FREITAS PEREIRA DE ALMEIDA 08 February 2018 (has links)
[pt] Informações precisas sobre a distribuição da população são reconhecidamente importantes. A fonte de informação mais completa sobre a população é o censo, cujos os dados são disponibilizados de forma
agregada em setores censitários. Esses setores são unidades operacionais de tamanho e formas irregulares, que dificulta a análise espacial dos dados associados. Assim, a mudança de setores censitários para um conjunto de células regulares com estimativas adequadas facilitaria a análise. Uma metodologia a ser utilizada para essa mudança poderia ser baseada na classificação de imagens de sensoriamento remoto para a identificação de domicílios, que é a base das pesquisas envolvendo a população. A detecção de áreas edificadas é uma tarefa complexa devido a grande variabilidade de características de construção e de imagens. Os métodos usuais são complexos e muito dependentes de especialistas. Os processos automáticos dependem de grandes bases de imagens para treinamento e são sensíveis à variação de qualidade de imagens e características das construções e de ambiente. Nesta tese propomos a utilização de um método automatizado para detecção de edificações em imagens Google Earth que mostrou bons
resultados utilizando um conjunto de imagens relativamente pequeno e com grande variabilidade, superando as limitações dos processos existentes. Este resultado foi obtido com uma aplicação prática. Foi construído um conjunto de imagens com anotação de áreas construídas para 12 regiões do Brasil. Estas imagens, além de diferentes na qualidade, apresentam grande variabilidade nas características das edificações e no ambiente geográfico. Uma prova de conceito será feita na utilização da classificação de área construída nos métodos dasimétrico para a estimação de população em gride. Ela mostrou um resultado promissor quando comparado com o método usual, possibilitando a melhoria da qualidade das estimativas. / [en] The importance of precise information about the population distribution is widely acknowledged. The census is considered the most reliable and complete source of this information, and its data are delivered
in an aggregated form in sectors. These sectors are operational units with irregular shapes, which hinder the spatial analysis of the data. Thus, the transformation of sectors onto a regular grid would facilitate such analysis. A methodology to achieve this transformation could be based on remote sensing image classification to identify building where the population lives. The building detection is considered a complex task since there is a great variability of building characteristics and on the images quality themselves. The majority of methods are complex and very specialist dependent. The automatic methods require a large annotated dataset for training and they are sensitive to the image quality, to the building characteristics, and to the environment. In this thesis, we propose an automatic method for building detection based on a deep learning architecture that uses a relative small dataset with a large variability. The proposed method shows good results when compared to the state of the art. An annotated dataset has been built that covers 12 cities distributed in different regions of Brazil. Such images not only have different qualities, but also shows a large variability on the building characteristics and geographic environments. A very important application of this method is the use of the building area classification in the dasimetric methods for the population estimation into grid. The concept proof in this application showed a promising result when compared to the usual method allowing the improvement of the quality of the estimates.
|
Page generated in 0.0248 seconds