Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/58334
Tipo: | Dissertação |
Título: | General unsupervised semantic segmentation pipeline |
Título(s) alternativo(s): | Pipeline generalista de segmentação semântica não supervisionada |
Autor(es): | João Pedro Klock Ferreira |
Primeiro Orientador: | Cristiano Leite de Castro |
Primeiro membro da banca : | Jefersson Alex dos Santos |
Segundo membro da banca: | Elcio Hideiti Shiguemori |
Resumo: | In this work, we present a Convolutional Neural Network-based unsupervised semantic segmentation pipeline, with a focus on remote sensing imagery. Our pipeline improves upon the current state-of-art papers in literature, resulting in a versatile methodology that can take supervised, unsupervised, and weakly supervised inputs. We also propose an automatic scribble generation methodology that is able to semi-automatically label large datasets given minimal supervision. To accompany this methodology we also propose a scribble classifier and a scribble labeling tool. And finally, we propose two real-world applications where we test the capabilities of our proposed network. Results on benchmarking datasets show that our proposed network can be competitive with the current state of the art for CNN-based methods, the scribble generator is able to provide meaningful and relevant scribbles for large datasets, and our applications show a variety of possibilities of usage for our network. |
Abstract: | Neste trabalho apresentamos um pipeline de segmentação semântica não supervisionada baseado em Redes Neurais Convolucionais (CNNs), com foco em imagens de sensoriamento remoto. Nosso pipeline aprimora os artigos que representam o atual estado-da-arte na literatura, resultando em uma metodologia versátil que pode receber entradas supervisionadas, não supervisionadas e fracamente supervisionadas. Também propomos uma metodologia de geração automática de scribbles que é capaz de rotular semi-automaticamente grandes conjuntos de dados com supervisão mínima. Para acompanhar esta metodologia também propomos um classificador de scribbles e uma ferramenta de rotulagem de scribbles. E, finalmente, propomos duas aplicações do mundo real onde testamos as capacidades de nossa rede proposta. Os resultados em datasets de benchmarking mostram que nossa rede proposta pode ser competitiva com o estado da arte atual para métodos baseados em CNN, o gerador de scribble é capaz de fornecer scribbles significativos e relevantes para grandes conjuntos de dados, e nossas aplicações mostram uma variedade de possibilidades de uso para nossos rede. |
Assunto: | Engenharia elétrica Redes Neurais (Computação) Sensoriamento remoto |
Idioma: | eng |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Departamento: | ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
Curso: | Programa de Pós-Graduação em Engenharia Elétrica |
Tipo de Acesso: | Acesso Aberto |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-sa/3.0/pt/ |
URI: | http://hdl.handle.net/1843/58334 |
Data do documento: | 12-Mai-2023 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
dissertacao_joao_pedro_klock.pdf | 30.51 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons