[en] A COMPARISON BETWEEN CLASSICAL OBJECT BASED METHODS AND CONDITIONAL RANDOM FIELDS

• Ano de defesa: 2017
• Autor(a) principal: JHONATAN CONTRERAS DUARTE
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] SEGMENTACAO; [pt] CAMPOS ALEATORIOS CONDICIONAIS; [pt] OBIA; [en] SEGMENTATION
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=29748&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=29748&idi=2; http://doi.org/10.17771/PUCRio.acad.29748

[pt] Esta dissertação visa investigar técnicas de segmentação semântica para a análise de dados de observação da Terra. Dois são os objetivos perseguidos neste estudo. O primeiro é avaliar o potencial de técnicas de segmentação semântica como opção aos métodos tradicionais de segmentação de imagens que tipicamente ignoram a informação semântica. O segundo objetivo consiste em comparar a segmentação semântica com a abordagem típica baseada em objeto (OBIA). O estudo apoia-se numa implementação de segmentação semântica baseada em Campos Aleatórios Condicionais. A estratégia baseada em objeto é representada neste estudo pelo algoritmo de segmentação conhecido como Multiresolução. O classificador Florestas Aleatórias (Random Forests) é utilizado para gerar os chamados potenciais de associação dos campos aleatórios condicionais, bem como para realizar a tarefa de classificação na cadeia de processamento típico da abordagem baseada em objeto. Experimentos realizados sobre duas imagens de altíssima resolução espacial (8 cm) indicaram uma clara superioridade da segmentação semântica, tanto em termos de acurácia espacial quanto de acurácia temática. Embora carentes de uma análise mais aprofundada que permita a generalização de suas conclusões, os resultados obtidos no presente estudo provêm elementos suficientes para encorajar a pesquisa futura sobre a aplicação da segmentação semântica na composição de estratégias sofisticadas de classificação de imagens, em particular sendo parte de modelos baseadas em objeto.