Avaliação de técnicas de Machine Learning na classificação de alvos marítimos em imagens SAR na Banda C

• Ano de defesa: 2022
• Autor(a) principal: Silva, Fabiano Gabriel da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Tecnológico da Aeronáutica (ITA)
• Palavras-chave em Português: SAR-ATR; Machine Learning; Deep Learning; Telecomunicações (DGPM-305)
• Link de acesso: https://www.repositorio.mar.mil.br/handle/ripcmb/846557

Esta pesquisa faz uma avaliação da classificação de alvos em ambiente marítimo através de imagens de radar de abertura sintética - synthetic aperture radar (SAR), técnicas de machine learning (ML) e deep learning (DL). Os alvos de interesse são plataformas e navios localizados na bacia de Campos/RJ. Para identificação dos alvos, utiliza-se um banco de imagens SAR polarimétricas vertical-horizontal (VH) e vertical-vertical (VV) obtidas de sensores orbitais do sistema Sentinel-1. Duas redes neurais convolucionais - convolutional neural network (CNN), visual geometry group (VGG), VGG-16 e VGG- 19 são utilizadas para vetorização e extração de atributos. A classificação das imagens é dividida em seis formas distintas, considerando as seguintes técnicas de ML: logistic regression (LR), support vector machine (SVM), random forest (RF), k nearest neighbor (kNN), naive Bayes (NB), decision tree (DT), adaboost (ADBST) e neural network (NET). As amostras são geradas através da técnica bootstrap. Utiliza-se treinamento supervisionado, com 80% das amostras para treino e 20% das amostras para teste. A metodologia considera seis métodos de classificação. Para cada método são realizadas 50 classificações. Todos os classificadores foram avaliados em relação a CNN (VGG-16 e VGG-19) e a polarização (VH e VV). Os maiores níveis de acurácia são obtidos pelo LR com 85,5% e 86,5%. A técnica principal components analysis (PCA) aumenta a performance dos classificadores NB e RF. A combinação dos data sets permite aumentar a variabilidade das amostras de treinamento, proporcionando maior capacidade de generalização. A técnica stacking apresenta melhores resultados que as classificações individuais. Os índices de acurácia superiores a 80% concentram-se no canal de polarização VH e são distribuídos de forma equivalente entre as CNN VGG-16 e VGG-19. Por fim, os resultados foram comparados pelos testes estatísticos Kruskal-Wallis e Dunn que comprovam haver diferença significativa entre os métodos de classificação, ou seja, as otimizações (configurações de parâmetros e combinações de técnicas) proporcionam resultados competitivos com a literatura. Diante disso, a pesquisa contribui para ampliação dos métodos de vigilância da Amazônia Azul através de técnicas de inteligência artificial consideradas estado da arte.