[pt] Os dados de observação da Terra são freqüentemente afetados pelo fenômeno
de mudança de domínio. Mudanças nas condições ambientais, variabilidade
geográfica e diferentes propriedades de sensores geralmente tornam quase
impossível empregar classificadores previamente treinados para novos dados
sem experimentar uma queda significativa na precisão da classificação.
As técnicas de adaptação de domínio baseadas em modelos de aprendizado
profundo têm se mostrado úteis para aliviar o problema da mudança de domínio.
Trabalhos recentes nesta área fundamentam-se no treinamento adversárial
para alinhar os atributos extraídos de imagens de diferentes domínios
em um espaço latente comum. Outra forma de tratar o problema é empregar
técnicas de translação de imagens e adaptá-las de um domínio para outro de
forma que as imagens transformadas contenham características semelhantes
às imagens do outro domínio. Neste trabalho, propõem-se abordagens
de adaptação de domínio para tarefas de detecção de mudanças, baseadas
em primeiro lugar numa técnica de traslação de imagens, Cycle-Consistent
Generative Adversarial Network (CycleGAN), e em segundo lugar, num modelo
de alinhamento de atributos: a Domain Adversarial Neural Network
(DANN). Particularmente, tais técnicas foram estendidas, introduzindo-se
restrições adicionais na fase de treinamento dos componentes do modelo
CycleGAN, bem como um procedimento de pseudo-rotulagem não supervisionado
para mitigar o impacto negativo do desequilíbrio de classes no
DANN. As abordagens propostas foram avaliadas numa aplicação de detecção
de desmatamento, considerando diferentes regiões na floresta amazônica
e no Cerrado brasileiro (savana). Nos experimentos, cada região corresponde
a um domínio, e a precisão de um classificador treinado com imagens e referências
de um dos domínio (fonte) é medida na classificação de outro
domínio (destino). Os resultados demonstram que as abordagens propostas
foram bem sucedidas em amenizar o problema de desvio de domínio no
contexto da aplicação alvo. / [en] Earth observation data are frequently affected by the domain shift phenomenon.
Changes in environmental conditions, geographical variability and
different sensor properties typically make it almost impossible to employ
previously trained classifiers for new data without a significant drop in classification
accuracy. Domain adaptation (DA) techniques based on Deep Learning
models have been proven useful to alleviate domain shift. Recent
improvements in DA technology rely on adversarial training to align features
extracted from images of the different domains in a common latent space.
Another way to face the problem is to employ image translation techniques,
and adapt images from one domain in such a way that the transformed
images contain characteristics that are similar to the images from the other
domain. In this work two different DA approaches for change detection
tasks are proposed, which are based on a particular image translation technique,
the Cycle-Consistent Generative Adversarial Network (CycleGAN),
and on a representation matching strategy, the Domain Adversarial Neural
Network (DANN). In particular, additional constraints in the training
phase of the original CycleGAN model components are proposed, as well as
an unsupervised pseudo-labeling procedure, to mitigate the negative impact
of class imbalance in the DANN-based approach. The proposed approaches
were evaluated on a deforestation detection application, considering different
sites in the Amazon rain-forest and in the Brazilian Cerrado (savanna)
biomes. In the experiments each site corresponds to a domain, and the accuracy
of a classifier trained with images and references from one (source)
domain is measured in the classification of another (target) domain. The
experimental results show that the proposed approaches are successful in
alleviating the domain shift problem.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:53774 |
| Date | 20 July 2021 |
| Creators | PEDRO JUAN SOTO VEGA |
| Contributors | RAUL QUEIROZ FEITOSA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0027 seconds