Avaliação de redes neurais profundas para detecção veicular em imagens de satélite

• Ano de defesa: 2024
• Autor(a) principal: Ribeiro, Crhistian Emilio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: deep learning; sliced inference; detecção de pequenos objetos; detecção de veículos; imagens de satélite; satellite images; small object detection; vehicle detection; YOLO
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18144/tde-31102024-114415/

 Este estudo visa criar um banco de imagens de satélite contendo veículos rotulados em rodovias brasileiras, calibrar um modelo de inteligência artificial para reconhecimento de veículos em imagens de satélite e utilizar o modelo calibrado em tais imagens para calcular a densidade de veículos em imagens de satélite da Ponte Rio- Niterói com o algoritmo YOLOv8, identificando se as mudanças na configuração do conjunto de treinamento e o uso da técnica de slicing durante a inferência têm um impacto estatisticamente significativo na precisão média (mAP) e no número de veículos detectados no conjunto de validação. Um banco de imagens de rodovias localizadas no Brasil foi criado e juntamente com bancos de imagens de satélite publicados pela comunidade acadêmica foram utilizados para a calibração do modelo. Considerando os cinco cenários testados, foram obtidos mAP iguais a 0,632, 0,653, 0,650, 0,734, 0,710 (média de 0,6758 e desvio-padrão de 0,0438) para o conjunto de validação usando YOLOv8 combinado com Slicing Aided Hyper Inference (SAHI). Além disso, uma diferença estatística significativa foi identificada em 17 dos 45 testes (38%) conduzidos, demonstrando que não houve ganho significativo e consistente nos valores de mAP entre as etapas do mesmo cenário. Verificou-se que o uso do SAHI em conjunto com o YOLO aumentou o número de imagens com mais de 10 veículos detectados em 72,5% quando comparado ao uso do YOLO sozinho nas mesmas imagens. Além disso, uma diferença estatisticamente significativa foi identificada no número de veículos detectados para todos os cinco cenários estudados, destacando a contribuição da técnica de slicing. Por fim, obteve-se uma acurácia de 72% no cálculo da densidade de veículos na Ponte Rio- Niterói ao utilizar o modelo treinado neste estudo com o melhor mAP.