Explorando técnicas de aprendizado auto-supervisionado em sensoriamento remoto

• Ano de defesa: 2024
• Autor(a) principal: Cardoso, Danilo Lemos
• Orientador(a): Oliveira, Dário Augusto Borges
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Sensoriamento remoto; Aprendizado auto-supervisionado; Aprendizado profundo
• Palavras-chave em Inglês: Remote sensing; Self-supervised learning; Deep learning
• Link de acesso: https://hdl.handle.net/10438/36355

O objetivo deste trabalho é mostrar como técnicas de Deep Learning, como aprendizado auto-supervisionado, podem ser aplicadas em dados de Sensoriamento Remoto. Serão discutidos modelos que geram representações latentes bem informativas a partir de um grande conjunto de imagens sem a necessidade de anotações. Essas representações devem ser boas o suficiente para que tarefas como classificação e regressão sejam feitas com poucas anotações. Este trabalho também apresenta um banco de dados de imagens aéreas e de satélite que abrange toda a área dos municípios de Belo Horizonte e São Paulo. Essas imagens foram obtidas a partir de fontes públicas e tratadas para conterem cerca de 8 mil setores de Belo Horizonte e cerca de 40 mil setores de São Paulo em cada modalidade anotadas com dados de densidade populacional e renda média do Censo Demográfico do IBGE. No final, o conjunto de dados gerado será utilizado para saber se, a partir da representação aprendida pelo modelo, é possível obter uma estimativa de indicadores socioeconômicos como a densidade populacional e da renda média em cada setor dessas cidades. Foi mostrado que o modelo utilizado é capaz de agrupar imagens com dados socioeconômicos semelhantes mesmo sem supervisão, indicando que o modelo consegue aprender representações latentes úteis para tarefas de regressão e classificação.