Busca avançada
Ano de início
Entree

Deep convolutional neural network (DCNN) para extração automática de rede viária a partir da fusão de dados varredura laser aerotransportado e imagens de altíssima resolução em ambiente urbano

Processo: 21/03586-2
Modalidade de apoio:Auxílio à Pesquisa - Regular
Vigência: 01 de agosto de 2021 - 31 de janeiro de 2023
Área do conhecimento:Ciências Exatas e da Terra - Geociências
Pesquisador responsável:Aluir Porfírio Dal Poz
Beneficiário:Aluir Porfírio Dal Poz
Instituição Sede: Faculdade de Ciências e Tecnologia (FCT). Universidade Estadual Paulista (UNESP). Campus de Presidente Prudente. Presidente Prudente , SP, Brasil
Assunto(s):Agricultura de precisão  Sensoriamento remoto  Fotogrametria  Volume de dados  Redes neurais convolucionais  Aprendizado computacional  Segmentação semântica  Extração automática de rodovias 
Palavra(s)-Chave do Pesquisador:Agricultura de precisão | extração automática | fusão dados | Redes Convolucionais | Segmentação Semântica | Fotogrametria/Sensoriamento Remoto

Resumo

O Brasil é um país de grande extensão territorial e possui milhões de quilômetros de rodovias irregularmente distribuídas. A obtenção de informações sobre as rodovias é vital para o planejamento de gestores e para a economia (p.ex: logística). Desde a década de 70, vários métodos foram criados para extração automática de rodovias. Todos possuem vantagens e desvantagens, no entanto, a baixa flexibilidade de trabalhar com big data e a necessária intervenção do usuário no processo ainda afetam a precisão e o tempo de extração. Após o ano 2000, novas abordagens de aprendizado de máquina têm sido aplicadas em diversas áreas do conhecimento, sendo uma delas o Sensoriamento Remoto. Essas ferramentas permitem extrair informações de um grande volume de dados a partir de diversas fontes. Desde o ano de 2014, as Redes Profundas Neurais Convolucionais (DCNN) têm obtido resultados interessantes nas áreas de Sensoriamento Remoto, principalmente devido à alta precisão alcançada, extração automática de características e flexibilidade de uso. Entre as fontes de dados está a nuvem de pontos LASER Detection and Ranging (LiDAR) que pode fornecer informações complementares à faixa espectral do visível. A pesquisa visa fornecer uma metodologia de extração automática de rodovias (segmentação semântica) em ambiente urbano que utiliza a fusão de dados LiDAR - Ortoimagens por meio de rede convolucional de arquitetura U-Net. A metodologia foi dividida em duas etapas para analisar a contribuição das fontes de dados na extração das rodovias, principalmente nos casos de oclusão e obstrução. Por fim, a pesquisa relacionada com a utilização de aprendizado profundo de máquina como ferramenta para extração de informações em Sensoriamento Remoto que, atualmente, é o estado da arte. Assim, a metodologia propõe a extração e atualização da rede viária de forma ágil e com controle de qualidade. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
FILHO ANTONIO; SHIMABUKURO, MILTON; POZ, ALUIR DAL. Deep Learning Multimodal Fusion for Road Network Extraction: Context and Contour Improvement. IEEE Geoscience and Remote Sensing Letters, v. 20, p. 5-pg., . (21/03586-2)
DAL POZI, A. P.; MARTINS, E. F. O.; ZANIN, R. B.; ZIATANOVA, S; SITHOLE, G; BARTON, J. ROAD NETWORK EXTRACTION USING GPS TRAJECTORIES BASED ON MORPHOLOGICAL AND SKELETONIZATION ALGORITHMS. XXIV ISPRS CONGRESS: IMAGING TODAY, FORESEEING TOMORROW, COMMISSION III, v. 43-B4, p. 7-pg., . (21/03586-2)

Por favor, reporte erros na lista de publicações científicas utilizando este formulário.