FenixEdu™

Dissertação

{pt_PT=Deep Learning for automatic target recognition in synthetic aperture radar images} {} EVALUATED

Detalhes: {pt=O reconhecimento automático de alvos em imagens de satélite é uma tarefa fundamental na vigilância marítima. Anualmente, milhares de refugiados perdem a vida no mar; a pesca ilegal contribui significativamente para sobreexploração dos recursos marinhos, que leva ao desiquilíbrio de ecossistemas; além disso, outras atividades, tais como o tráfico de armas e drogas, são levadas a cabo pelo mar. Portanto, é essencial haver uma boa monitorização das águas, de modo a mitigar estes problemas. Tipicamente usam-se técnicas de aprendizagem automática supervisionadas para realizar tarefas relacionadas com a deteção de objetos, recorrendo a etiquetas durante o treino dos algoritmos. No entanto, o processo de \textit{labelling} pode ser moroso e dispendioso. Técnicas de aprendizagem não supervisionadas, por outro lado, possibilitam a extração de informação relevante dos dados sem recorrer ao uso de etiquetas, sendo particularmente aliciantes na análise de imagens de satélite, dada a enorme disponibilidade de dados existente, e o seu constante aumento. Neste trabalho foi abordado o estudo da possibilidade da deteção automática de anomalias em imagens de radar de abertura sintética (SAR), utilizando Variational Autoencoders (VAEs), de uma forma não supervisionada. No modelo proposto, o encoder do VAE é treinado para mapear imagens normais num espaço latente. Para se realizar a classificação de um conjunto de imagens, com e sem anomalias, estas são codificadas pelo encoder num espaço latente, onde as imagens normais (sem anomalias) ficam aglomeradas, e as imagens anómalas dispersas no espaço. Finalmente, um algoritmo de clustering é aplicado ao espaço gerado, permitindo identificar as imagens anómalas., en=The automatic target recognition (ATR) in satellite images is an important application in maritime surveillance. Annually, thousands of refugees lose their lives in the sea; illegal fishing highly contributes to the over-exploitation of fish resources, perturbing ecosystems; besides, other activities, such as drug and firearms trafficking, are conducted through the sea. Hence, it is clear that a good maritime surveillance is key to mitigate these problems. Usually, object detection tasks are performed by supervised machine learning algorithms, making use of labels during training. However, the daunting process of labelling images is often expensive and time consuming. On the other hand, unsupervised learning techniques allow the extraction of relevant information from data, without making use of labels, being particularly interesting for the analysis of satellite images, given the huge amount of available data, and its constant increase. This work addresses the possibility of automatically detect anomalies in synthetic aperture radar (SAR) images, using Variational Autoencoders (VAEs), in an unsupervised manner. In the proposed framework, the encoder of the VAE is trained to map normal images in a latent space. To perform classification of a given set of images, with and without anomalies, these are encoded in a latent space by the encoder, where normal images (without anomalies) are clustered together and the anomalous images are spread across the space. Finally, a clustering algorithm is applied to this generated space, being able to identify the anomalous images among the set.}
Keywords: {pt=Aprendizagem profunda, Variational Autoencoder, Deteção de Anomalias, Aprendizagem não supervisionada, SAR, en=Deep learning, Variational autoencoders, Anomaly detection, Unsupervised learning, SAR}

Discussão: outubro 23, 2020, 15:30