Encoding context from superpixels to improve land-cover maps

Tiago Moreira Hübner Cançado Santana

Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/JCES-AVLN38

Full metadata record

DC Field	Value	Language
dc.contributor.advisor1	Jefersson Alex dos Santos	pt_BR
dc.contributor.advisor-co1	Alexei Manso Correa Machado	pt_BR
dc.contributor.referee1	Alexei Manso Correa Machado	pt_BR
dc.contributor.referee2	Fábio Augusto Menocci Cappabianco	pt_BR
dc.contributor.referee3	William Robson Schwartz	pt_BR
dc.creator	Tiago Moreira Hübner Cançado Santana	pt_BR
dc.date.accessioned	2019-08-12T08:10:28Z	-
dc.date.available	2019-08-12T08:10:28Z	-
dc.date.issued	2017-09-28	pt_BR
dc.identifier.uri	http://hdl.handle.net/1843/JCES-AVLN38	-
dc.description.abstract	Land-cover maps are one of the main sources of information for studies that support the creation of public policies in areas like urban planning and environmental monitoring. Their automatic creation involves learning to annotate all samples of a Remote Sensing Image (RSI) from just a few annotated by the user. Nevertheless, low-level descriptors like color and shape are not enough to produce a discriminative representation for the samples that represent objects that share similar visual appearance. In order to overcome this limitation, three methods to encode the context of the samples extracted from regions are proposed in this work: the first combines low-level representations from adjacent samples, the second one counts co-occurrences of visual words over a local area and the last one exploits ConvNets to compute deep contextual features. Confirming previous studies, the generated maps were improved by incorporating context in the representations used to feed the classifier.	pt_BR
dc.description.resumo	Desde o começo da década de 70, quando as primeiras Imagens de Sensoriamento Remoto (ISRs) tornaram-se disponíveis a partir de satélites civis, o mapeamento automático de cobertura terrestre tem sido um tema central de pesquisa no campo devido à sua importância socio-econômica: tais mapas são uma das principais fontes de informação para estudos que embasam a criação de políticas públicas em áreas como o planejamento urbano e o monitoramento ambiental, por exemplo. O processo para gerar os mapas a partir das imagens é frequentemente modelado como um problema de classificação supervisionada, onde algumas amostras de cada classe alvo anotadas pelo usuário na imagem são usadas para alimentar um classificador, que é utilizado para anotar as amostras restantes após o estágio de treinamento. À medida que a resolução espacial dos sensores usados para adquirir as imagens tornou-se mais fina, o paradigma de anotar e classificar pixels que foi dominante desde as primeiras abordagens teve que ser substituído pelo baseado em regiões, uma vez que cada objeto significativo contido em ISRs agora é composto de vários pixels. No entanto, descritores de baixo nível como cor e forma não são suficientes para produzir uma representação discriminativa para as amostras que representam objetos que compartilham aparência visual semelhante. Em tais situações, agregar informações da cena como um todo ou de objetos vizinhos pode ser útil para ajudar a distinguí-los. Explorando essa abordagem que está apenas começando a ser usada para o paradigma baseado em regiões, foram propostos três métodos para codificar o contexto de superpixels neste trabalho: o primeiro método modela cada vizinhança local composta de um superpixel e seus vizinhos como um Grafo de Adjacência de Regiões (GAR) e combina representações de baixo nível extraídas dos vértices e arestas em um único vetor de características que codifica tanto a aparência visual quanto o contexto do superpixel; o segundo codifica o contexto semântico de uma vizinhança local ao redor do superpixel contando a co-ocorrência de palavras visuais dentro dele e de seus vizinhos; e o último método proposto explora ConvNets para calcular características contextuais profundas a partir de estruturas de imagem com forma irregular, como é o caso dos superpixels. Confirmando estudos anteriores que mostraram que codificar contexto seja de pixels ou regiões é uma abordagem promissora, todos os três métodos propostos foram capazes de melhorar os mapas gerados ao incorporar contexto nas representações usadas para alimentar o classificador.	pt_BR
dc.language	Inglês	pt_BR
dc.publisher	Universidade Federal de Minas Gerais	pt_BR
dc.publisher.initials	UFMG	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Descritor Contextual	pt_BR
dc.subject	Sensoriamento Remoto	pt_BR
dc.subject	Mapas de Cobertura Terrestre	pt_BR
dc.subject	Classificação Baseada em Regiões	pt_BR
dc.subject.other	Visão por computador	pt_BR
dc.subject.other	Computação	pt_BR
dc.subject.other	Sensoriamento Remoto	pt_BR
dc.subject.other	Reconhecimento de padrões informação	pt_BR
dc.title	Encoding context from superpixels to improve land-cover maps	pt_BR
dc.type	Dissertação de Mestrado	pt_BR
Appears in Collections:	Dissertações de Mestrado

Files in This Item:

File	Description	Size	Format
tiagomoreirahubnercancadosantana.pdf		12.98 MB	Adobe PDF	View/Open

Show simple item record