Adaptação adversarial de domínio para a detecção de desmatamento em imagens de sensoriamento remoto

• Ano de defesa: 2021
• Autor(a) principal: Santos, José Matheus Fonseca dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística; Brasil; UERJ; Programa de Pós-Graduação em Ciências Computacionais
• Palavras-chave em Português: Sensoriamento remoto; Segmentação de imagens; Redes neurais - Computação; Monitoramento ambiental; Domain adaptation; Deep learning; Change detection; Deforestation detection; Remote sensing; Semantic segmentation; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://www.bdtd.uerj.br/handle/1/22965

A detecção de desmatamento de uma região florestal pode ser alcançada a partir da segmentação semântica com redes neurais convolucionais. Contudo, devido à diferença de cobertura florestal e de outros aspectos relativos à aquisição das imagens, como incidência solar, ângulo de visada, entre outros, usar uma rede treinada em uma região geográfica geralmente resulta em uma considerável perda de precisão quando a rede é usada para classificar uma região diferente. Podemos nos referir a cada região como um domínio. O domínio de treinamento, com amostras rotuladas (verdade de campo) disponíveis, é o domínio fonte e o outro, o domínio alvo. Observa-se que a produção de rótulos de treinamento para os possíveis diferentes domínios, considerando as grandes extensões dos biomas florestais, teria um custo proibitivo. Entretanto, é possível usar métodos de adaptação de domínio para amenizar as diferenças entre os domínios e obter uma melhor precisão de classificação no domínio alvo. Com esses métodos é possível adotar duas estratégias: a primeira é a adaptação visual para que imagens do domínio alvo, depois de adaptadas, se assemelhem às do domínio fonte, e então se consiga um melhor resultado de classificação sobre as imagens adaptadas com o classificador treinado para o domínio fonte; a segunda consiste de utilizar a adaptação de domínio para treinar um novo classificador para o domínio alvo, prescindindo de rótulos para este domínio. O objetivo deste trabalho é comparar as diferentes estratégias de adaptação de domínio no contexto de detecção de desmatamento, e avaliar o impacto de componentes alternativos de funções de perda. Para a avaliação foram usadas imagens pertencentes a 3 regiões diferentes de coberturas florestais brasileiras, sendo duas pertencentes à Amazônia Legal Brasileira (Rondônia e Pará) e outra na transição entre o bioma Cerrado e à floresta Amazônica (no Maranhão). Cada uma dessas regiões representando um domínio. Para adaptação de domínio visual foi usado um modelo inspirado no CyCADA, que por sua vez é baseada na arquitetura da CycleGAN. Com a CycleGAN foi realizada a adaptação de domínio visual de forma completamente não-supervisionada. Com o modelo inspirado no CyCADA, rótulos do domínio fonte foram usados durante o treinamento com a objetivo de obter um melhor resultado de classificação. Uma rede com a arquitetura DeepLabV3+ foi usada para a classificação. Nos experimentos, observou-se que quando a adaptação de domínio visual dos pares de domínios promovem bons resultados com o classificador fonte (primeira estratégia), o uso de um classificador alvo treinando de forma adaptada (segunda estratégia) geralmente está associado a piores resultados. Enquanto o comportamento inverso também pode ser observado: pares de domínio para os quais se obtém resultados ruins na primeira estratégia, geralmente promovem melhores resultados quando a segunda estratégia é usada. Como esperado, nenhum dos resultados que utilizam adaptação de domínio alcançaram o resultado obtido com um treinamento supervisionado sobre o domínio alvo. Mas os experimentos mostram que é possível alcançar bons resultados e, em quase todos os casos, melhores do que é possível sem qualquer adaptação de domínio.