Dissertação
Unsupervised deep learning for ship detection in SAR images EVALUATED
Da pesca ilegal ao tráfego de drogas, proteção ambiental e prevenção de ameaças, é evidente que a vigilância marítima é de extrema importância. Um dos aspectos fundamentais da vigilância marítima é o conhecimento da localização dos navios. Dado que o oceano cobre uma área tão ampla, são necessários algoritmos automáticos para monitorá-lo. Avanços recentes em aprendizagem profunda têm facilitado substancialmente o desenvolvimento de métodos de deteção de navios para imagens de radar de abertura sintética (SAR). No entanto, a maioria destas soluções são métodos supervisionados de detecção de objetos, que exigem grandes quantidades de dados anotados. Anotar estas imagens é um processo extremamente demorado. De modo a aproveitar a enorme e crescente quantidade de dados SAR, propomos dois métodos de aprendizagem profunda não supervisionada para a segmentação de navios em imagens SAR. O primeiro método é baseado num modelo de tradução de imagem para imagem, o CycleGAN, no qual exploramos as capacidades de transferência de imagens não emparelhadas para aprender o mapeamento do domínio de imagem SAR para o domínio de segmentação. A segunda abordagem, o UDSEP (U-net Detect-Select-Erase-Paste) é um método de segmentação auto-supervisionada, na qual treinamos uma rede de segmentação com dados de um novo algoritmo que gera imagens anotadas sintéticas das imagens originais SAR não anotadas. Experiências no SAR-Ship-Dataset e no SSDD revelam resultados promissores, mas ainda inferiores aos dos métodos supervisionados.
novembro 24, 2022, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Maria Margarida Campos da Silveira
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar