Campo DC | Valor | Idioma |
dc.contributor.advisor | Alixandrini Junior, Mauro José | - |
dc.contributor.author | Andrade, Alexandre Curvelo de | - |
dc.creator | Andrade, Alexandre Curvelo de | - |
dc.date.accessioned | 2021-03-09T03:10:35Z | - |
dc.date.available | 2021-03-09T03:10:35Z | - |
dc.date.issued | 2021-03-09 | - |
dc.date.submitted | 2019-11-26 | - |
dc.identifier.uri | http://repositorio.ufba.br/ri/handle/ri/32984 | - |
dc.description.abstract | O objetivo do projeto é analisar comparativamente dois métodos não
paramétricos de classificação (o “Support Vector Machine” – SVM e o “Artificial
Neural Network” – ANN) de regiões de vias em imagens de altíssima resolução
espacial e associadas aos dados provenientes de Laser Scanning
aerotransportado. O estudo pretende verificar que tipo de influência as camadas
de atributos possuem no desempenho dos respectivos classificadores (SVM E
ANN). O objeto cartográfico que delimita o estudo são as bases de dados
referentes a malha rodoviária, pois, estas são muito importantes para a
sociedade humana devido ao seu relevante papel no cotidiano das pessoas.
Além disto, nas últimas décadas, muitas metodologias foram propostas em
relação ao desafio representado pela extração semiautomatizada da malha
viária a partir de técnicas de sensoriamento remoto. Esta dificuldade pode ser
comprovada na revisão de alguns trabalhos relacionados ao tema e publicados
na última década. Mena (2003) e Ziems et al (2017) demonstraram que o
problema de extração semiautomatizada de regiões de vias (ruas ou rodovias) é
muito analisado por diversas áreas da ciência e propostas baseadas em
algoritmos genéticos ou sistemas especialistas são cada vez mais recorrentes e,
neste contexto, os métodos não paramétricos surgem como uma forte tendência.
Assim sendo, as análises propostas neste projeto serão feitas em um ambiente
de teste e validação controlado, onde ambos os classificadores receberão o
mesmo conjunto de amostras de treinamento, os mesmos conjuntos de atributos
obtidos por intermédio de aerofotogrametria e com altíssima resolução espacial
e radiométricas (imagens em níveis de cinza do espectro visível; do espectro
infravermelho próximo e ALS – Airborne Laser Scanning), assim como serão
validados a partir da mesma imagem de verdade de campo e através de
procedimentos consolidados na literatura, como o Coeficiente Kappa. Uma
combinação simples e sem repetição dos planos de informação disponíveis
permitirá a análise da influência de cada camada no espaço de atributos e no
desempenho de cada um dos classificadores. | pt_BR |
dc.language.iso | pt_BR | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Engenharia cartográfica | pt_BR |
dc.subject | Fotogrametria digital | pt_BR |
dc.subject | Sensoriamento remoto | pt_BR |
dc.subject | Processamento digital de imagens | pt_BR |
dc.subject | Extração de malha viária | pt_BR |
dc.subject | Support Vector Machine (SVM) | pt_BR |
dc.subject | Redes neurais artificiais | pt_BR |
dc.subject | Artificial Neuronal Network (ANN) | pt_BR |
dc.title | Análise comparativa de métodos não paramétricos de classificação de regiões de vias com imagens de altíssima resolução espacial e laser scanning aerotransportado: a influência das camadas de atributos no desempenho dos classificadores “support vector machine” e “artificial neural network” | pt_BR |
dc.type | Dissertação | pt_BR |
dc.contributor.advisor-co | Carvalho, Fernanda Puga Santos | - |
dc.contributor.referees | Alixandrini Junior, Mauro José | - |
dc.contributor.referees | Carvalho, Fernanda Puga Santos | - |
dc.contributor.referees | Mitishita, Edson Aparecido | - |
dc.publisher.departament | Escola Politécnica | pt_BR |
dc.publisher.program | Programa de Pós-graduação em Engenharia Civil | pt_BR |
dc.publisher.initials | UFBA | pt_BR |
dc.publisher.country | brasil | pt_BR |
dc.subject.cnpq | Engenharia Civil | pt_BR |
Aparece nas coleções: | Dissertação (PPEC)
|