Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/4135
Título : Automated workflow for cloud segmentation tasks using deep learning
Otros títulos : Fluxo de trabalho automatizado para tarefas de segmentações de nuvens usando aprendizado profundo
Autor : Matos, Diego Henrique Marques
metadata.dc.contributor.advisor: Carneiro, Tiago Garcia de Senna
Ipia, Alber Hamersson Sánchez
metadata.dc.contributor.referee: Carneiro, Tiago Garcia de Senna
Ipia, Alber Hamersson Sánchez
Luz, Eduardo José da Silva
Silva, Rodrigo César Pedrosa
Palabras clave : Deep learning
Cloud segmentation
Remote sensing
Imagery segmentation
Fecha de publicación : 2022
Citación : MATOS, Diego Henrique Marques. Automated workflow for cloud segmentation tasks using deep learning. 2022. 64 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2022.
Resumen : Este trabalho desenvolve uma abordagem que utiliza deep learning para segmentar nuvens em imagens do sensor remoto WFI. Este trabalho justifica-se pelo fato do sensor remoto WFI não possuir um algoritmo de segmentação de nuvens sob medida, o que diminui a qualidade e quantidade de dados disponíveis para análise. Desenvolvemos um fluxo de trabalho e um algoritmo baseado na rede neural U-net para preencher essa lacuna. Os resultados coletados apresentados são promissores de acordo com nossa avaliação. Problemas como falsos positivos na segmentação, perda de bordas em imagens cortadas e conjunto de dados enviesado foram avaliados visualmente e conseguiram segmentar mais nuvens, mas com alguns erros de classificação. Esses problemas motivaram propostas de melhorias a serem feitas em trabalhos futuros. Portanto, o fluxo de trabalho de código aberto e automatizado para segmentação semântica de imagens de sensoriamento remoto permanece como a principal contribuição tecnológica deste trabalho. O fluxo de trabalho proposto foi avaliado na segmentação de nuvens de várias imagens de treinamento maiores que 2 gigabytes cada, em um computador com apenas 8 gigabytes de memória RAM.
metadata.dc.description.abstracten: This work develops an approach that uses deep learning to segment clouds in images from WFI remote sensor. This work is justified by the fact that the remote sensor WFI does not have a tailor-made cloud segmentation algorithm, and this diminishes the quality and amount of data available for analysis. We developed a workflow and an algorithm based on the U-net neural network to fulfill this gap. The collected results presented are promising according to our evaluation. Issues like, false positives on segmentation, loss of edges in cropped images and biased dataset were visually evaluated and managed to segment more clouds, but with some misclassification. These problems motivated proposals for improvements to be made in future work. Therefore, the open source and automated workflow for semantic segmentation of remote sensing imagery remains as the main technological contribution of this work. The proposed workflow was evaluated in segmenting clouds from several training images larger than 2 gigabytes each, on a computer with only 8 gigabytes of RAM.
URI : http://www.monografias.ufop.br/handle/35400000/4135
Aparece en las colecciones: Ciência da Computação

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_AutomatedWorkflowCloud.pdf5,43 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons