1. Repositório Institucional da UFMG
  2. Trabalhos Acadêmicos
  3. Dissertações e Teses
  4. Pós-Graduação em Engenharia Elétrica
  5. Dissertações de Mestrado
Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/58334
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Cristiano Leite de Castropt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7892966809901738pt_BR
dc.contributor.referee1Jefersson Alex dos Santospt_BR
dc.contributor.referee2Elcio Hideiti Shiguemoript_BR
dc.creatorJoão Pedro Klock Ferreirapt_BR
dc.creator.Latteshttp://lattes.cnpq.br/1724208624795412pt_BR
dc.date.accessioned2023-08-29T18:54:00Z-
dc.date.available2023-08-29T18:54:00Z-
dc.date.issued2023-05-12-
dc.identifier.urihttp://hdl.handle.net/1843/58334-
dc.description.abstractNeste 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.pt_BR
dc.description.resumoIn 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.pt_BR
dc.languageengpt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICApt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.publisher.initialsUFMGpt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/pt/*
dc.subjectSemantic segmentationpt_BR
dc.subjectUnsupervisedpt_BR
dc.subjectWeakly supervisedpt_BR
dc.subjectRemote sensingpt_BR
dc.subjectScribblespt_BR
dc.subject.otherEngenharia elétricapt_BR
dc.subject.otherRedes Neurais (Computação)pt_BR
dc.subject.otherSensoriamento remotopt_BR
dc.titleGeneral unsupervised semantic segmentation pipelinept_BR
dc.title.alternativePipeline generalista de segmentação semântica não supervisionadapt_BR
dc.typeDissertaçãopt_BR
dc.identifier.orcid0000-0002-4445-9847pt_BR
Appears in Collections:Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
dissertacao_joao_pedro_klock.pdf30.51 MBAdobe PDFView/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons