Dissertação
Autonomous Labelling and Supervised Learning of a Deep Neural Network for Sea Ice Segmentation EVALUATED
A utilização de Redes Neurais Profundas (DNNs) para segmentação de imagens mostra resultados promissores, mas requer grandes conjuntos de dados de treino rotulados. Estes conjuntos de dados são raros para estudos de domínios específicos e requerem experiência no domínio e horas de trabalho significativas para realizar a rotulagem manual. Utilizando dados adquiridos numa viagem em novembro de 2023 a bordo do Kronprins Haakon, foi utilizada uma técnica de etiquetagem automatizada para gerar dados de treino sem qualquer introdução manual. Uma carga útil de câmara-LiDAR concebida por Oskar G. Veggeland captou 2.111 imagens acompanhadas por nuvens de pontos LiDAR. Foram aplicados três métodos de rotulagem à informação da nuvem de pontos, utilizados para treinar três modelos diferentes (U-Net, DeepLabV3+, SegFormer) e testados num conjunto 361 imagens rotuladas manualmente. Apesar da informação da nuvem de pontos fornecer um mapa semi-preciso do gelo marinho nas imagens, a nuvem sofria de dispersão excessiva, necessitando dos três métodos de pré-processamento. As máscaras morfológicas e de Otsu-Hybrid obtiveram os melhores valores de IoU, 0.6 cada, quando comparadas com as máscaras rotuladas manualmente. O SegFormer treinado no conjunto de dados morfológicos conseguiu atingir uma pontuação IoU de 0,76 no conjunto de teste rotulado manualmente. Os modelos treinados com conjuntos de dados morfológicos demonstraram pontuações de recall impressionantes, enquanto os modelos treinados com os dados Otsu-Hybrid obtiveram precisão elevada. Estes resultados sugerem que a utilização de métodos de processamento de imagem e informação LiDAR pode representar uma alternativa viável à rotulagem manual do gelo marinho para segmentação binária.
novembro 28, 2024, 13:30
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Maria Margarida Campos da Silveira
Departamento de Engenharia Electrotécnica e de Computadores
Professor Associado
