[pt] O estudo dos eventos naturais e dos gerados pela atividade humana no mar tem tido uma grande prioridade para o setor de petróleo, isso devido à possibilidade de ter um evento perigoso para o ambiente marinho ou a área de produção. Nesse contexto, o objetivo deste trabalho é a avaliação de abordagens
baseadas em aprendizado profundo para a classificação de eventos no mar usando imagens de radar de abertura sintética na área de óleo e gás. Métodos baseados em aprendizado profundo têm mostrado um ótimo desempenho através do uso de camadas convolucionais, onde as características são extraídas
automaticamente através da definição de um kernel e stride. As seguintes arquiteturas são avaliadas neste trabalho: Inception V3, Xception, Inception ResNet V2, MobileNet, VGG16 e Deep Attention sampling. A avaliação é feita em uma metodologia de classificação de eventos no mar usando duas bases de
dados de imagens de radar: a primeira contém 10 eventos comumente presentes no oceano ártico, e a segunda descreve um derramamento de óleo presente na costa da Louisiana. Nos experimentos realizados se obteve os melhores resultados com as arquiteturas Deep Attention sampling as quais atingiram
valores de f1-score e Recall de até 0.82 por cento e 0.87 por cento respectivamente, para a classe
de interesse no conjunto de dados de derramamento de óleo. Para o conjuntode dados de eventos naturais no mar, um alto desempenho foi evidenciado para arquiteturas baseadas no uso de módulos de Inception, tendo pontuações mais altas de F1-score e Recall para a arquitetura Xception. Além disso, foi
observado uma melhoria de até 10 por cento e 13 por cento nas métricas f1-score e Recall no uso da atenção, em relação à sua arquitetura base (VGG16), e 4 por cento respeito a outras arquiteturas baseadas em módulos Inception, isto para o conjunto de dados de eventos no mar, demonstrando as vantagens de usar amostragem com atenção. / [en] The study of natural events and those generated by human activity at sea has been a high priority for the Oil and Gas industry, due to the possibility of a dangerous event for the marine environment or the production area. In this context, the objective of this work is the evaluation of approaches based on deep
learning for the classification of events in the sea using synthetic aperture radar images in the oil and gas area. Methods based on deep learning have shown an excellent performance through the use of convolutional layers, where the characteristics are extracted automatically through the definition of a kernel
and stride. The following architectures are evaluated in this work: Inception V3, Xception, Inception ResNet V2, MobileNet, VGG16, and Deep Attention sampling. The assessment is made using a methodology for classifying events at sea using two radar image databases: the first contains 10 events commonly
present in the Arctic Ocean, and the second describes an oil spill present near the Louisiana coast. In the experiments performed, the best results were obtained with the Deep Attention sampling architectures, which reached f1- score and Recall values of up to 0.82 a per cent nd 0.87 per cent respectively, for the class of interest in the oil spill dataset. For the dataset of natural events in the sea, high performance was evidenced for architectures based on the non-use of Inception modules, having higher values of F1-score and Recall for an Xception architecture. Also, an improvement of up to 10 per cent and 13 per cent in the metrics f1- score and recall in the use of attention was observed, concerning its base architecture (VGG16), and 4 per cent with other architectures based on Inception modules, this for the dataset of events at sea, demonstrating the advantages of using Attention Sampling carefully.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:54724 |
| Date | 15 September 2021 |
| Creators | WILLIAM ALBERTO RAMIREZ RUIZ |
| Contributors | MARCO AURELIO CAVALCANTI PACHECO, MARCO AURELIO CAVALCANTI PACHECO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.003 seconds