Representações de séries temporais baseadas em imagens para classificação de imagens de satélite

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Dias, Danielle Furtado dos Santos, 1983-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Séries temporais
Classificação
Sensoriamento remoto
Time series
Classification
Remote sensing
Link de acesso: https://hdl.handle.net/20.500.12733/1639010
Resumo: Orientador: Ricardo da Silva Torres
id UNICAMP-30_f17c85378c8d68c2fe749647763f9388
oai_identifier_str oai::1128991
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Representações de séries temporais baseadas em imagens para classificação de imagens de satéliteImage-based time series representations for satellite images classificationSéries temporaisClassificaçãoSensoriamento remotoTime seriesClassificationRemote sensingOrientador: Ricardo da Silva TorresTese (doutorado) - Universidade Estadual de Campinas, Instituto de ComputaçãoResumo: A classificação de imagens de sensoriamento remoto por pixel com base no perfil temporal desempenha um papel importante em várias aplicações, tais como: reconhecimento de culturas, estudos fenológicos e monitoramento de mudanças na cobertura do solo. Avanços sensores captura de imagem aumentaram a necessidade de criação de metodologias para analisar o perfil temporal das informações coletadas. Nós investigamos dados coletados em dois tipos de sensores: (i) sensores em plataformas orbitais, esse tipo de imagem sofre interferências de nuvens e fatores atmosféricos; e (ii) sensores fixados em campo, mais especificamente, uma câmera digital no alto de uma torre, cujas imagens capturadas podem conter dezenas de espécies, dificultando a identificação de padrões de interesse. Devido às particularidades dos dados detectados remotamente, torna-se custoso enviar a imagem capturada pelo sensor diretamente para métodos de aprendizado de máquina sem realizar um pré-processamento. Para algumas aplicações de sensoriamento remoto, comumente não se utiliza as imagens brutas oriundas dos sensores, mas os índices de vegetação extraídos das regiões de interesse ao longo do tempo. Assim, o perfil temporal pode ser caracterizado como uma série de observações dos índices de vegetação dos pixels de interesse. Métodos baseados em aprendizado profundo obtiveram bons resultados em aplicações de sensoriamento remoto relacionadas à classificação de imagens. Contudo, em consequência da natureza dos dados, nem sempre é possível realizar o treinamento adequado das redes de aprendizado profundo pela limitação causada por dados faltantes. Entretanto, podemos nos beneficiar de redes previamente treinadas para detecção de objetos para extrair características e padrões de imagens. O problema alvo deste trabalho é classificar séries temporais extraídas de imagens de sensoriamento remoto representando as características temporais como imagens 2D. Este trabalho investiga abordagens que codificam séries temporais como representação de imagem para propor metodologias de classificação binária e multiclasse no contexto de sensoriamento remoto, se beneficiando de redes extratoras de características profundas. Os experimentos conduzidos para classificação binária foram realizados em dados de satélite para identificar plantações de eucalipto. Os resultados superaram métodos baseline propostos recentemente. Os experimentos realizados para classificação multiclasse focaram em imagens capturadas com câmera digital para detectar o padrão fenológico de regiões de interesse. Os resultados mostram que a acurácia aumenta se consideramos conjuntos de pixelsAbstract: Pixelwise remote sensing image classification based on temporal profile plays an important role in several applications, such as crop recognition, phenological studies, and land cover change monitoring. Advances in image capture sensors have increased the need for methodologies to analyze the temporal profile of collected information. We investigate data collected by two types of sensors: (i) sensors on orbital platforms, this type of image suffers from cloud interference and atmospheric factors; and (ii) field-mounted sensors, in particular, a digital camera on top of a tower, where captured images may contain dozens of species, making it difficult to identify patterns of interest. Due to the particularities of remotely detected data, it is prohibitive to send sensor captured images directly to machine learning methods without preprocessing. In some remote sensing applications, it is not commonly used the raw images from the sensors, but the vegetation indices extracted from regions of interest over time. Thus, the temporal profile can be characterized as a series of observations of vegetative indices of pixels of interest. Deep learning methods have been successfully in remote sensing applications related to image classification. However, due to the nature of the data, it is not always possible to properly train deep learning networks because of the lack of enough labeled data. However, we can benefit from previously trained 2D object detection networks to extract features and patterns from images. The target problem of this work is to classify remote sensing images, based on pixel time series represented as 2D representations. This work investigates approaches that encode time series into image representations to propose binary and multiclass classification methodologies in the context of remote sensing, taking advantage of data-driven feature extractor approaches. The experiments conducted for binary classification were performed on satellite data to identify eucalyptus plantations. The results surpassed the ones of recently proposed baseline methods. The experiments performed for multiclass classification focused on detecting regions of interest within images captured by a digital camera. The results show that the accuracy increases if we consider a set of pixelsDoutoradoCiência da ComputaçãoDoutora em Ciência da ComputaçãoCAPES[s.n.]Torres, Ricardo da Silva, 1977-Santos, Thiago TeixeiraMontoya-Zegarra, Javier AlexanderFigueiredo, Gleyce Kelly Dantas AraújoLamparelli, Rubens Augusto CamargoUniversidade Estadual de Campinas (UNICAMP). Instituto de ComputaçãoPrograma de Pós-Graduação em Ciência da ComputaçãoUNIVERSIDADE ESTADUAL DE CAMPINASDias, Danielle Furtado dos Santos, 1983-20202020-03-11T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (112 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1639010DIAS, Danielle Furtado dos Santos. Representações de séries temporais baseadas em imagens para classificação de imagens de satélite. 2020. 1 recurso online (112 p.) Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639010. Acesso em: 28 fev. 2025.https://repositorio.unicamp.br/acervo/detalhe/1128991Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2020-06-26T13:07:47Zoai::1128991Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2020-06-26T13:07:47Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Representações de séries temporais baseadas em imagens para classificação de imagens de satélite
Image-based time series representations for satellite images classification
title Representações de séries temporais baseadas em imagens para classificação de imagens de satélite
spellingShingle Representações de séries temporais baseadas em imagens para classificação de imagens de satélite
Dias, Danielle Furtado dos Santos, 1983-
Séries temporais
Classificação
Sensoriamento remoto
Time series
Classification
Remote sensing
title_short Representações de séries temporais baseadas em imagens para classificação de imagens de satélite
title_full Representações de séries temporais baseadas em imagens para classificação de imagens de satélite
title_fullStr Representações de séries temporais baseadas em imagens para classificação de imagens de satélite
title_full_unstemmed Representações de séries temporais baseadas em imagens para classificação de imagens de satélite
title_sort Representações de séries temporais baseadas em imagens para classificação de imagens de satélite
author Dias, Danielle Furtado dos Santos, 1983-
author_facet Dias, Danielle Furtado dos Santos, 1983-
author_role author
dc.contributor.none.fl_str_mv Torres, Ricardo da Silva, 1977-
Santos, Thiago Teixeira
Montoya-Zegarra, Javier Alexander
Figueiredo, Gleyce Kelly Dantas Araújo
Lamparelli, Rubens Augusto Camargo
Universidade Estadual de Campinas (UNICAMP). Instituto de Computação
Programa de Pós-Graduação em Ciência da Computação
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Dias, Danielle Furtado dos Santos, 1983-
dc.subject.por.fl_str_mv Séries temporais
Classificação
Sensoriamento remoto
Time series
Classification
Remote sensing
topic Séries temporais
Classificação
Sensoriamento remoto
Time series
Classification
Remote sensing
description Orientador: Ricardo da Silva Torres
publishDate 2020
dc.date.none.fl_str_mv 2020
2020-03-11T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1639010
DIAS, Danielle Furtado dos Santos. Representações de séries temporais baseadas em imagens para classificação de imagens de satélite. 2020. 1 recurso online (112 p.) Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639010. Acesso em: 28 fev. 2025.
url https://hdl.handle.net/20.500.12733/1639010
identifier_str_mv DIAS, Danielle Furtado dos Santos. Representações de séries temporais baseadas em imagens para classificação de imagens de satélite. 2020. 1 recurso online (112 p.) Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1639010. Acesso em: 28 fev. 2025.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1128991
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (112 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1829137697488240640

Registros relacionados