Detecção de áreas com atividades de vulnerabilidade humana utilizando imagens públicas de satélites e aprendizagem profunda

Abstract

Indivíduos sujeitos a condições de vida precárias e tendo suas necessidades básicas negligenciadas é uma infeliz realidade no Brasil. Esse cenário, que será abordado neste trabalho segundo o conceito de "vulnerabilidade humana", pode ser exemplificado por meio de famílias que habitam abrigos inadequados, sem estruturas básicas e em meio às ruas de centros urbanos ou rurais. Nesse sentido, tomando o Distrito Federal como escopo de pesquisa, o presente projeto se propõe a desenvolver duas bases de dados inéditas a ser disponibilizadas publicamente e compostas por imagens de satélite, considerando escalas de 50m e 100m, de regiões de vulnerabilidade humana, áreas consideradas tradicionais e resíduos dispostos inadequadamente. Além disso, fazendo-se uso dessas bases de imagens, realizou-se treinamentos com os modelos de aprendizado profundo da YOLOv7 e outros modelos de aprendizado profundo do Estado da Arte, estes sendo utilizados na segmentação de imagens. Adotando-se uma abordagem exploratória, este trabalho compara os resultados dos diferentes modelos de segmentação de imagens e as estratégias de treinamento com inicialização aleatória de pesos (from scratch) e com carregamento de pesos pré-treinados (transfer learning) aplicadas em cada um deles. Desse modo, o presente trabalho foi capaz de atingir valores máximos de F1 score de 0,55 para a YOLOv7 e 0,64 para modelos do Segmentation Models.