Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/37445| Título: | Avaliação de técnicas de transferência de aprendizado profundo para segmentação de mangues com imagens do Sentinel-2A |
| Título(s) alternativo(s): | Evaluation of deep learning transfer techniques for mangrove segmentation with Sentinel-2A images |
| Autor(es): | Albuquerque, Amanda Cristina Fraga de |
| Orientador(es): | Borges, Helyane Bronoski |
| Palavras-chave: | Ecologia dos manguezais Satélites artificiais Interpretação de imagens Transferência de aprendizagem Mangrove ecology Artificial satellites Picture interpretation Transfer of training |
| Data do documento: | 21-Mai-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | ALBUQUERQUE, Amanda Cristina Fraga de. Avaliação de técnicas de transferência de aprendizado profundo para segmentação de mangues com imagens do Sentinel-2A. 2024. Trabalho de Conclusão de Curso (Tecnologia em Análise e Desenvolvimento de Sistemas) - Universidade Tecnológica Federal do Paraná, 2024. |
| Resumo: | As técnicas de transferência de aprendizado profundo com ajuste fino permitem aproveitar pesos de redes pré-treinadas em outros modelos de diferentes contextos, seja apenas como pesos iniciais, ou integral, em que os pesos são fixos no treinamento. O que pode melhorar a performance dos treinamentos, pois geralmente com esta abordagem se exige menos recursos computacionais e quantidade de dados. A técnica de ajuste fino se tornou mais difundida no domínio natural (RGB) com a disponibilidade dos pesos de modelos treinados com a base ImageNet. Entretanto, para o domínio de sensoriamento remoto, como na identificação de mangues, ainda não se tem disponível facilmente modelos pré-treinados no mesmo domínio. Tanto a nível nacional quanto no Paraná também ainda são poucos os trabalhos com modelos que utilizam aprendizado profundo na segmentação de mangues. Até pouco tempo, as técnicas eram pontuais e não permitiam um monitoramento sistemático. Desenvolver modelos com transferência de aprendizado profundo pode ajudar a estabelecer sistemas de monitoramento automatizados. Assim, o objetivo deste trabalho é avaliar técnicas de ajuste fino na segmentação de mangues no Paraná com o modelo U-Net utilizando codificadores pré-treinados tanto no mesmo domínio de sensoriamento remoto quanto no domínio natural. Para avaliar o desempenho do ajuste no mesmo domínio foi necessário treinar o codificador ResNet-50 com a base Eurosat. Nos testes com o domínio RGB aplicou-se os pesos da ResNet disponibilizados com o pré-treinamento do ImageNet. A base para treinar os modelos U-Net foi estruturada com as bandas do Sentinel-2A e anotações dos mapas de classificação de uso e solo do MapBiomas. Com o intuito de avaliar o ajuste com ImageNet mais comum para o domínio de sensoriamento remoto, que se restringe apenas aos canais RGB, os testes compararam modelos com dados RGB e multiespectrais. As redes com ajustes finos abordados neste trabalho foram acurados para identificação de mangues no Paraná, todos com acurácia superior a 93% e F-score maior que 80%. A melhor performance foi com o modelo multiespectral no mesmo domínio e pesos não fixos, que apresentou F-score 94,7% na identificação de mangue. |
| Abstract: | Fine-tuning deep learning transfer techniques allow you to leverage weights of pre-trained networks on other models from different contexts, whether just as initial weights, or integral, in which the weights are fixed during training. What can improve the training performance, as this approach generally requires fewer computational resources and amount of data. The fine-tuning technique has become more widespread in natural domain (RGB) with the availability of weights from models trained with the base ImageNet. However, for the remote sensing domain, such as in the identification of mangroves, pre-trained models in the same domain are not yet easily available. Both nationally and in Paraná, there are still few works with models that use deep learning to segment mangroves. Until recently, techniques were punctual and did not allow for systematic monitoring. Develop models with deep learning transfer can help establish monitoring systems automated. Thus, the objective of this work is to evaluate fine-tuning techniques in the segmentation of mangroves in Paraná with U-Net model using pre-trained encoders both in same remote sensing domain as in the natural domain. To evaluate the performance of the adjustment in the same domain, it was necessary to train the ResNet-50 encoder with the base Eurosat. In tests with the RGB domain, the ResNet weights provided with ImageNet pre-training were applied. The basis for training the U-Net models was structured with the Sentinel-2A bands and annotations from MapBiomas land use and classification maps. In order to evaluate the most common ImageNet adjustment for the remote sensing domain, which is restricted only to RGB channels, the tests compared models with data RGB and multispectral. The networks with fine adjustments discussed in this work were accurate for identifying mangroves in Paraná, all with accuracy greater than 93% and higher F-score than 80%. The best performance was with the multispectral model in the same domain and weights non-fixed, which presented an F-score of 94.7% in mangrove identification. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/37445 |
| Aparece nas coleções: | PG - Tecnologia em Análise e Desenvolvimento de Sistemas |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| transferenciaaprendizadosegmentacaomangue.pdf | 1,65 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
