FenixEdu™

Dissertação

Deep Learning for automatic target recognition in synthetic aperture radar images EVALUATED

Detalhes: O reconhecimento automático de alvos em imagens de satélite é uma tarefa fundamental na vigilância marítima. Anualmente, milhares de refugiados perdem a vida no mar; a pesca ilegal contribui significativamente para sobreexploração dos recursos marinhos, que leva ao desiquilíbrio de ecossistemas; além disso, outras atividades, tais como o tráfico de armas e drogas, são levadas a cabo pelo mar. Portanto, é essencial haver uma boa monitorização das águas, de modo a mitigar estes problemas. Tipicamente usam-se técnicas de aprendizagem automática supervisionadas para realizar tarefas relacionadas com a deteção de objetos, recorrendo a etiquetas durante o treino dos algoritmos. No entanto, o processo de \textit{labelling} pode ser moroso e dispendioso. Técnicas de aprendizagem não supervisionadas, por outro lado, possibilitam a extração de informação relevante dos dados sem recorrer ao uso de etiquetas, sendo particularmente aliciantes na análise de imagens de satélite, dada a enorme disponibilidade de dados existente, e o seu constante aumento. Neste trabalho foi abordado o estudo da possibilidade da deteção automática de anomalias em imagens de radar de abertura sintética (SAR), utilizando Variational Autoencoders (VAEs), de uma forma não supervisionada. No modelo proposto, o encoder do VAE é treinado para mapear imagens normais num espaço latente. Para se realizar a classificação de um conjunto de imagens, com e sem anomalias, estas são codificadas pelo encoder num espaço latente, onde as imagens normais (sem anomalias) ficam aglomeradas, e as imagens anómalas dispersas no espaço. Finalmente, um algoritmo de clustering é aplicado ao espaço gerado, permitindo identificar as imagens anómalas.
Keywords: Aprendizagem profunda, Variational Autoencoder, Deteção de Anomalias, Aprendizagem não supervisionada, SAR

Discussão: outubro 23, 2020, 15:30