Dissertação

{en_GB=Ship Segmentation in Aerial Images for Maritime Surveillance} {} EVALUATED

{pt=Neste trabalho propõe-se um novo método capaz de segmentar navios em tempo real durante missões de vigilância marítima usando veículos aéreos não tripulados com câmaras incorporadas. Para identificar e segmentar os navios, implementou-se um modelo em cascata com duas fases: uma etapa de deteção seguida de uma fase de segmentação. A primeira parte é responsável por detetar as regiões com maior probabilidade de conter navios, de seguida estas regiões são segmentadas na segunda fase para identificar o navio. Ao incluir-se a deteção, diminui-se a quantidade de imagem a segmentar, reduzindo significativamente o tempo de processamento. Por outro lado, as falhas de deteção diminuem e o desempenho do método aumenta. Pela primeira vez, aplicou-se este método ao repositório de vídeos do Seagull. Adicionalmente, testou-se uma técnica de pós processamento para melhorar o resultado da segmentação, conditional random fields. No entanto, observou-se que esta adição não melhorava os resultados do método em cascata, mas quando se aplicava a segmentação à imagem completa, sem a fase da deteção, tornava-se benéfica a sua adição. O modelo em cascata foi treinado e testado com conjuntos de imagens aérias de navios. Foi necessário criar manualmente uma anotação do navio, segmentar o navio, para algumas imagens que apenas indicavam a localização do mesmo. Submeteu-se uma solução para o Airbus ship detection challenge e o modelo apresentou um desempenho competivo e uma performance suficientemente rápida para ser aplicado em tempo real., en=In this work, we propose a new method capable of real-time ship segmentation during maritime surveillance missions using onboard cameras. To perform segmentation, we implement a two stages cascade model with a detection part followed by a segmentation stage. In the first stage, we select the most likely regions to contain a ship, and then we segment those regions to identify the targets. Including a detection stage, we narrow the image region to be segmented, which significantly improves the overall image processing time. Plus, it decreases the number of miss detection and improves overall segmentation performance. We apply this method in the Seagull dataset for the first time. Additionally, we study the viability of using post-processing techniques, like conditional random fields, to improve the segmentation performance. We notice that it does not improve the performance when we use the cascade model, but it increases the segmentation score when we apply segmentation to the whole image. We train the model with aerial ship images from detection and segmentation maritime datasets. However, we have to label the detection images to be used in the segmentation stage. We test the cascade model on the Airbus ship detection challenge, and it produces fast and accurate maritime ship segmentation results capable of real-time segmentation.}
{pt=Redes neuronais convolucionais, deteção de navios, segmentação de navios, processamento de images, segmentação em tempo real, vigilância marítima., en=Convolutional neural networks, ship detection, ship segmentation, image processing, real-time segmentation, maritime surveillance.}

Janeiro 29, 2021, 10:0

Orientação

ORIENTADOR

Alexandre José Malheiro Bernardino

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado

ORIENTADOR

Bruno Duarte Damas

Escola Naval

Professor Auxiliar