Detecção de desmatamento em imagens de SAR usando redes neurais profundas

Abstract

Detecção de objetos se refere à identificação e rotulação de instâncias de objetos em imagens e vídeos. Em aplicações como monitoramento de câmeras de segurança em tempo real, a detecção de instâncias tipicamente é feita por seres humanos, contudo, em ocasiões em que o volume de dados é muito elevado (como em imagens de satélite) o acompanhamento manual torna-se inviável. Um sistema autônomo de detecção em imagens aéreas de regiões com acidentes naturais, como queimadas e inundação, permite uma rápida tomada de decisões e pode ser fator diferencial no resgate e localização de vítimas. Em virtude disso, este trabalho é focado na construção de uma sistema de detecção e rotulação de instâncias em imagens de SAR utilizando aprendizado de máquina. Desde a publicação do artigo seminal de Viola e Jones [1] em 2001 até End-to-End Object Detection with Transformers [2] publicado em 2020 pelo grupo Facebook AI, a detecção de objetos apresentou grande evolução tanto com relação aos métodos utilizados, quanto com a qualidade dos resultados obtidos. No trabalho de Viola e Jones[1], o método de extração de características é fundamentalmente manual baseado em wavelets de Haar combinadas utilizando AdaBoost, ao passo que, no artigo do grupo Facebook AI [2], são utilizadas redes neurais transformadoras e redes neurais convolucionais. Neste trabalho, foi aplicado um framework de detecção baseado em Faster R-CNN [3] com algumas melhorias sobre o artigo original, entre elas: utilização de uma rede residual [4] como backbone em vez da VGG-19 [5] e uso de Feature Pyramid Networks [6] aliados à CNN. Como base de dados de treinamento, foi escolhida a base de dados pública do radar Sentinel-1 [7] e rótulos de desmatamentos disponibilizados pelo CENSIPAM. Os resultados obtidos foram razoáveis e demonstraram um desempenho AP médio de 35% em desmatamentos pequenos e 58% em desmatamentos de tamanho médio. O baixo número de amostras de treinamento e o baixo tamanho das instâncias são potenciais degradantes para a desempenho do sistema.