Deep active learning para mapeamento de árvores em floresta densa com baixa rotulagem
Luz, Luiz Fernando Souza
O documento é disponibilizado pela fonte de origem, que mantém a versão integral e as condições de uso.
Resumo
Este trabalho explora a aplicação de métodos de Active Learning em modelos de Deep Learning para a segmentação de instâncias de espécies de árvores por meio de imagens de sensoriamento remoto. O objetivo é desenvolver um método eficaz capaz de mapear diferentes espécies de árvores em áreas florestais com alta precisão, mesmo diante de um conjunto inicial limitado de dados anotados. A abordagem proposta utiliza dados sintéticos gerados pelo modelo, validadas através de informações morfológicas das árvores, visando aprimorar o processo de aprendizado e a qualidade das predições. A introdução dessas técnicas de resultaram em um aumento da cobertura de segmentação do modelo, de 2,35% para 14% da área de estudo, mantendo um F1-Score médio em patamares elevados, oscilando entre 80% e 90%.
Ficha do documento
- Tipo
- Outro
- Ano
- 2023
- Instituição
- Fundação Getulio Vargas
- Fonte
- Repositório da FGV
- Idioma
- Português
- Acesso
- Acesso aberto
- Identificador
- oai:repositorio.fgv.br:10438/35412
- Temas
- DadosMeio Ambiente
Conteúdos relacionados
- OutroSelf-supervised weather data clustering for inspecting local climate changeFundação Getulio Vargas · 2023
- DissertaçãoA Transformer model for Dengue time series forecastFundação Getulio Vargas · 2025
- OutroSegmentação de regiões de mineração usando imagens de satélite e deep learningFundação Getulio Vargas · 2023
- OutroA brief overview of deep learning approaches for climate dataFundação Getulio Vargas · 2023
