FenixEdu™

Dissertação

{pt_PT=Deteção de incêndios florestais através de aprendizagem auto-supervisionada} {} EVALUATED

Detalhes: {pt=Os incêndios florestais são um dos desastres mais árduos de controlar, sendo por isso responsáveis por milhares de hectares ardidos, infraestruturas destruídas e vidas perdidas, todos os anos e em todo o mundo. Para desenvolver sistemas robustos capazes de detetar e localizar incêndios florestais com elevada eficácia através de aprendizagem supervisionada é necessário adquirir conjuntos de dados legendados extensos. Porém, a quantidade de imagens com anotações disponíveis é reduzida dificultando assim o desenvolvimento deste tipo de métodos. Por outro lado, existem milhares de imagens sem anotações disponíveis online, contudo, produzir as respetivas legendas é uma tarefa dispendiosa quer a nível de tempo e quer a nível monetário. Desta forma, esta tese pretende tirar partido das imagens não legendadas recorrendo à aprendizagem auto-supervisionada e cujo objetivo final é obter-se um modelo de classificação de fogo numa imagem. Em suma, foi desenvolvida uma metodologia que está dividida em duas fases. Primeiramente, é treinado um modelo a resolver determinadas tarefas, distintas da tarefa final, através das imagens não legendadas. Posteriormente, utilizando parte do modelo previamente ensinado em conjunto com os escassos dados legendados, treina-se o classificador final. Em comparação com modelos treinados apenas com um conjunto escasso de imagens legendadas, o sistema proposto atinge uma melhor performance, demonstrando a vantagem de utilizar as imagens não legendadas., en=Wildfires are one of the most challenging disasters to control and are responsible for thousands of hectares burned, infrastructure destroyed, and lives lost every year all over the world. To develop robust systems capable of detecting and locating wildfires with high efficiency through supervised learning, it is necessary to acquire extensive labelled datasets. However, the number of publicly available images with associated annotations is low. Moreover, there are thousands of images related to forest fires available online, but without annotation. Furthermore, generating all the required labels can be time-consuming and costly. Therefore, this thesis hopes to take advantage of this unlabelled data by proposing a system that uses self-supervised learning to achieve the final goal of fire classification. The proposed methodology is divided into two phases. First, a network is trained to solve some tasks, different to the final task, using the unlabelled images. Afterwards, by combining part of the learned model with a small, labelled dataset, the final classifier is achieved. When comparing the models only trained with the small labelled dataset, the proposed methodology achieved a better performance, proving that there are advantages to using the unlabelled data available online. }
Keywords: {pt=Aprendizagem Auto-supervisionada, Aprendizagem Profunda, Incêndios Florestais, Redes Neuronais Convolucionais, UAVs, en=Self-supervised Learning, Deep Learning, Wildfire, Convolutional Neural Networks, UAVs}

Discussão: dezembro 7, 2021, 10:15