Explorando técnicas de aprendizado auto-supervisionado em sensoriamento remoto
O objetivo deste trabalho é mostrar como técnicas de Deep Learning, como aprendizado auto-supervisionado, podem ser aplicadas em dados de Sensoriamento Remoto. Serão discutidos modelos que geram representações latentes bem informativas a partir de um grande conjunto de imagens sem a necessidade de a...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Brasil |
| Institución: | Fundação Getulio Vargas (FGV) |
| Repositorio: | Repositório Institucional do FGV (FGV Repositório Digital) |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.fgv.br:10438/36355 |
| Acceso en línea: | https://hdl.handle.net/10438/36355 |
| Access Level: | acceso abierto |
| Palabra clave: | Sensoriamento remoto Aprendizado auto-supervisionado Aprendizado profundo Remote sensing Self-supervised learning Deep learning Matemática Aprendizado profundo (Aprendizado do computador) Algoritmos |
| Sumario: | O objetivo deste trabalho é mostrar como técnicas de Deep Learning, como aprendizado auto-supervisionado, podem ser aplicadas em dados de Sensoriamento Remoto. Serão discutidos modelos que geram representações latentes bem informativas a partir de um grande conjunto de imagens sem a necessidade de anotações. Essas representações devem ser boas o suficiente para que tarefas como classificação e regressão sejam feitas com poucas anotações. Este trabalho também apresenta um banco de dados de imagens aéreas e de satélite que abrange toda a área dos municípios de Belo Horizonte e São Paulo. Essas imagens foram obtidas a partir de fontes públicas e tratadas para conterem cerca de 8 mil setores de Belo Horizonte e cerca de 40 mil setores de São Paulo em cada modalidade anotadas com dados de densidade populacional e renda média do Censo Demográfico do IBGE. No final, o conjunto de dados gerado será utilizado para saber se, a partir da representação aprendida pelo modelo, é possível obter uma estimativa de indicadores socioeconômicos como a densidade populacional e da renda média em cada setor dessas cidades. Foi mostrado que o modelo utilizado é capaz de agrupar imagens com dados socioeconômicos semelhantes mesmo sem supervisão, indicando que o modelo consegue aprender representações latentes úteis para tarefas de regressão e classificação. |
|---|