Aplicação de redes neurais convolucionais na detecção de assentamentos precários em João Pessoa.

• Autor(a) principal: BARROS, Débora Ferreira de.
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/29296
• topic: Redes neurais convolucionais; Assentamentos precários - João Pessoa - PB; Aprendizagem de máquina profunda; Segmentação de imagens; Algoritmo - classificação de imagens; Classificação de imagens; U-Net - rede neural convolucional; Rede neural artificial; Processamento de imagens; Geotecnologia; Geoprocessamento; Convolutional Neural Networks; Precarious settlements - João Pessoa - PB; Deep machine learning; Image segmentation; Algorithm - image classification; Image rating; U-Net - convolutional neural network; Artificial neural network; Image processing; Geotechnology; Geoprocessing; Ciência da Computação.

Devido ao crescimento populacional e a expansão dos assentamentos informais faz-se necessário o monitoramento e mapeamento desses locais para que possam ser desenvolvidas políticas públicas visando a solução da precariedade característica presente nesses espaços. Algumas das soluções atuais envolvem classificação de imagem baseada em algoritmos de aprendizagem de máquina, entretanto, as presentes no estado da arte necessitam da extração de muitas características, o que demanda muito tempo e gera uma grande quantidade de parâmetros que precisam ser processados pelos algoritmos. Este trabalho apresenta o uso de uma rede neural convolucional, a U-Net com Inception ResNet-V2, como solução para a automação de extração de características e redução de parâmetros em imagens de satélite, com foco na cidade de João Pessoa, na Paraíba, junto com a segmentação das imagens visando a detecção e classificação de assentamentos precários nos espaços urbanos. O modelo foi avaliado utilizando os coeficientes Jaccard e Dice, que apresentaram respectivamente 53% e 69%, nos dados de teste.