[pt] APLICAÇÃO E AVALIAÇÃO DO DESEMPENHO DE MÉTODOS DE APRENDIZADO PROFUNDO PARA CLASSIFICAÇÃO DE IMAGENS DE RADAR SAR (SYNTHETIC APERTURE RADAR) PARA MONITORAMENTO DE ÁREAS MARINHAS NA DETECÇÃO DE FEIÇÕES DE INTERESSE PARA A ÁREA DE ÓLEO E GÁS

• Ano de defesa: 2021
• Autor(a) principal: WILLIAM ALBERTO RAMIREZ RUIZ
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] SENSORIAMENTO REMOTO; [pt] SAR; [pt] DERRAMAMENTO DE OLEO; [pt] IMAGEAMENTO POR RADAR; [pt] CNN; [en] REMOTE SENSING; [en] SAR; [en] OIL SPILL; [en] IMAGING RADAR; [en] CNN
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54724&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54724&idi=2; http://doi.org/10.17771/PUCRio.acad.54724

[pt] O estudo dos eventos naturais e dos gerados pela atividade humana no mar tem tido uma grande prioridade para o setor de petróleo, isso devido à possibilidade de ter um evento perigoso para o ambiente marinho ou a área de produção. Nesse contexto, o objetivo deste trabalho é a avaliação de abordagens baseadas em aprendizado profundo para a classificação de eventos no mar usando imagens de radar de abertura sintética na área de óleo e gás. Métodos baseados em aprendizado profundo têm mostrado um ótimo desempenho através do uso de camadas convolucionais, onde as características são extraídas automaticamente através da definição de um kernel e stride. As seguintes arquiteturas são avaliadas neste trabalho: Inception V3, Xception, Inception ResNet V2, MobileNet, VGG16 e Deep Attention sampling. A avaliação é feita em uma metodologia de classificação de eventos no mar usando duas bases de dados de imagens de radar: a primeira contém 10 eventos comumente presentes no oceano ártico, e a segunda descreve um derramamento de óleo presente na costa da Louisiana. Nos experimentos realizados se obteve os melhores resultados com as arquiteturas Deep Attention sampling as quais atingiram valores de f1-score e Recall de até 0.82 por cento e 0.87 por cento respectivamente, para a classe de interesse no conjunto de dados de derramamento de óleo. Para o conjuntode dados de eventos naturais no mar, um alto desempenho foi evidenciado para arquiteturas baseadas no uso de módulos de Inception, tendo pontuações mais altas de F1-score e Recall para a arquitetura Xception. Além disso, foi observado uma melhoria de até 10 por cento e 13 por cento nas métricas f1-score e Recall no uso da atenção, em relação à sua arquitetura base (VGG16), e 4 por cento respeito a outras arquiteturas baseadas em módulos Inception, isto para o conjunto de dados de eventos no mar, demonstrando as vantagens de usar amostragem com atenção.