Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/58334
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Cristiano Leite de Castro | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/7892966809901738 | pt_BR |
dc.contributor.referee1 | Jefersson Alex dos Santos | pt_BR |
dc.contributor.referee2 | Elcio Hideiti Shiguemori | pt_BR |
dc.creator | João Pedro Klock Ferreira | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/1724208624795412 | pt_BR |
dc.date.accessioned | 2023-08-29T18:54:00Z | - |
dc.date.available | 2023-08-29T18:54:00Z | - |
dc.date.issued | 2023-05-12 | - |
dc.identifier.uri | http://hdl.handle.net/1843/58334 | - |
dc.description.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. | pt_BR |
dc.description.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. | pt_BR |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Elétrica | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/pt/ | * |
dc.subject | Semantic segmentation | pt_BR |
dc.subject | Unsupervised | pt_BR |
dc.subject | Weakly supervised | pt_BR |
dc.subject | Remote sensing | pt_BR |
dc.subject | Scribbles | pt_BR |
dc.subject.other | Engenharia elétrica | pt_BR |
dc.subject.other | Redes Neurais (Computação) | pt_BR |
dc.subject.other | Sensoriamento remoto | pt_BR |
dc.title | General unsupervised semantic segmentation pipeline | pt_BR |
dc.title.alternative | Pipeline generalista de segmentação semântica não supervisionada | pt_BR |
dc.type | Dissertação | pt_BR |
dc.identifier.orcid | 0000-0002-4445-9847 | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
dissertacao_joao_pedro_klock.pdf | 30.51 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License