FenixEdu™

Dissertação

Unsupervised Ship Detection in SAR Images using Generative Adversarial Networks EVALUATED

Detalhes: A deteção automática de embarcações em imagens obtidas por sensores remotos é uma tarefa crucial em vários domínios relacionados com segurança marítima. A falta de vigilância dos oceanos permite a existência de atividades ilegítimas como pesca ilegal, migração ilegal por meio marítimo ou mesmo tráfico de narcóticos. As imagens de radar de abertura sintética (SAR) obtidas por satélites são das mais utilizadas para realizar vigilância marítima devido à grande área de cobertura e ao facto de a qualidade das imagens não ser afetada pelo tempo e luz natural disponível. Os métodos mais eficientes para vigilância automática marítima recorrem a técnicas de aprendizagem profunda supervisionada para realizar tarefas de deteção. No entanto, o processo de anotação dos dados de treino é demorado e por vezes é necessário profissionais na área para fazer a anotação, o que pode ser dispendioso. Esta necessidade de anotação dos dados pode ser eliminada com o uso de métodos não supervisionados, que não recorrem a dados com anotação para efetuar as tarefas. Esta tese aborda o estudo de métodos não supervisionados de deteção de anomalias e a sua aplicação à tarefa de deteção de navios em imagens SAR. O modelo proposto é baseado numa Bidirectional Generative Adversarial Network (BiGAN), que é treinada para mapear imagens normais (sem barcos) num espaço latente através de um Encoder e também o inverso através de um Generator. A deteção dos navios vai ser baseada na incapacidade da BiGAN de reconstruir a imagens que contêm anomalias e no feedback dado pelo Discriminator.
Keywords: Deteção de Navios, SAR, Aprendizagem Profunda, Deteção de Anomalias, Aprendizagem Não Supervisionada, BiGAN

Discussão: junho 24, 2022, 18:0