| 1. Identificação | ||||
| Tipo de Referência | Relatório (Report) | |||
| Site | mtc-m21d.sid.inpe.br | |||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||
| Identificador | 8JMKD3MGP3W34T/463GBGE | |||
| Repositório | sid.inpe.br/mtc-m21d/2021/12.23.18.56 | |||
| Última Atualização | 2021:12.23.18.56.02 (UTC) simone | |||
| Repositório de Metadados | sid.inpe.br/mtc-m21d/2021/12.23.18.56.02 | |||
| Última Atualização dos Metadados | 2022:07.08.19.41.34 (UTC) administrator | |||
| Chave de Citação | PereiraSantShig:2021:EmInAr | |||
| Título | Emprego da inteligência artificial na escolha automática de algoritmos e parâmetros de técnicas de processamento de imagens obtidas por drones para aplicação no sensoriamento remoto  | |||
| Projeto | Emprego da inteligência artificial na escolha automática de algoritmos e parâmetros de técnicas de processamento de imagens obtidas por drones para aplicação no sensoriamento remoto | |||
| Ano | 2021 | |||
| Data de Acesso | 30 abr. 2024 | |||
| Tipo | RPQ | |||
| Número de Páginas | 41 | |||
| Número de Arquivos | 1 | |||
| Tamanho | 832 KiB | |||
| 2. Contextualização | ||||
| Autor | 1 Pereira, Hércules Carlos dos Santos 2 Santiago Júnior, Valdivino Alexandre de 3 Shiguemori, Elcio Hideiti | |||
| Identificador de Curriculo | 1 2 8JMKD3MGP5W/3C9JJB5 | |||
| Grupo | 1 2 COPDT-CGIP-INPE-MCTI-GOV-BR | |||
| Afiliação | 1 UNIP 2 Instituto Nacional de Pesquisas Espaciais (INPE) 3 Instituto de Estudos Avançados - IEAV | |||
| Endereço de e-Mail do Autor | 1 herculesc635@gmail.com; herculesc60@gmail.com 2 valdivino.santiago@inpe.br 3 elcio@ieav.cta.br | |||
| Endereço de e-Mail | herculesc635@gmail.com; herculesc60@gmail.com | |||
| Instituição | Instituto Nacional de Pesquisas Espaciais | |||
| Cidade | São José dos Campos | |||
| Histórico (UTC) | 2021-12-23 18:56:34 :: simone :: -> 2021 2021-12-27 18:36:04 :: simone -> administrator :: 2021 2022-07-08 19:41:34 :: administrator -> :: 2021 | |||
| 3. Conteúdo e estrutura | ||||
| É a matriz ou uma cópia? | é a matriz | |||
| Estágio do Conteúdo | concluido | |||
| Transferível | 1 | |||
| Palavras-Chave | inteligência artificial algoritmos processamento de imagens drones sensoriamento remoto aprendizado de máquina rede neural artificial | |||
| Resumo | Veículos Aéreos Não Tripulados (VANTs), ou drones, têm recebido bastante atenção da indústria e da academia, onde estão sendo usados em aplicações diversas, tais como agricultura, transporte e logística, para a área aeroespacial, entre outras. A classificação automática de imagens obtidas por drones é importante para, por exemplo, melhorar a autonomia destes sistemas no que tange à resposta a desastres e situações de emergência em áreas de difícil acesso. O objetivo dessa pesquisa é investigar a classificação de imagens obtidas por drones utilizando Inteligência Artificial e técnicas de processamento de imagens. A primeira etapa da pesquisa se baseou em uma continuidade de um trabalho de doutorado, onde este resultou em um sistema autoadaptativo para selecionar, de forma inteligente, os melhores algoritmos de processamento digital de imagens para estimação de posição de drones por imagens. Então, fez-se uma avaliação dos seguintes algoritmos de Aprendizado de Máquina nesta pesquisa: Redes Neurais Artificiais (Rosenblatt de 1958, 1962), AdaBoost (Freund e Schapire, 1996), Logistic Regression (Hosmer e Stanley, (2000) e Árvores de Decisão(ref). Os resultados demonstraram que as Redes Neurais Artificiais de uma e duas camadas tiveram os melhores resultados se comparado as demais técnicas, atingindo mais de 95% de acerto considerando-se diversos indicadores. Na segunda etapa, o objetivo foi verificar qual combinação de extrator de características de imagens e classificador tem o melhor desempenho para classificar imagens de drones. Nesse caso, considerou-se uma classificação multiclasse com 4 classes onde também foi realizado um processo de aumento de dados (data augmentation) (Perez e Wang, 2017) para o conjunto de treinamento. Como extrator de características, foram usadas as seguintes Redes Neurais Convolucionais: Inception v3 (SZEGEDY et al., 2015), SqueezeNet (Iandola et al.,2016), VGG-16 (Simonyan e Zisserman, 2015), VGG-19 (Simonyan e Zisserman, 2015), Painters (Ilenič, 2016) e DeepLoc (SØNDERBY, 2017). Como classificadores, foram usados AdaBoost(Freund e Schapire, 1996), Random Forests (Ho, 1965), Logistic Regression (Hosmer e Stanley, 2020) e Redes Neurais Artificiais (Rosenblatt de 1958, 1962). Os resultados demonstraram que a rede convolucional VGG-16 (Simonyan e Zisserman, 2015) usada para extração de característica apresentou os melhores resultados combinando-se com o classificador neural. | |||
| Área | COMP | |||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Emprego da inteligência... | |||
| Arranjo 2 | Emprego da inteligência... | |||
| Conteúdo da Pasta doc | acessar | |||
| Conteúdo da Pasta source | não têm arquivos | |||
| Conteúdo da Pasta agreement |
| |||
| 4. Condições de acesso e uso | ||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34T/463GBGE | |||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34T/463GBGE | |||
| Idioma | pt | |||
| Arquivo Alvo | IA Parâmetros Drones_Relatório Parcial_CNPQ 2021_Hércules Pereira.pdf | |||
| Grupo de Usuários | simone | |||
| Visibilidade | shown | |||
| Permissão de Leitura | allow from all | |||
| Permissão de Atualização | não transferida | |||
| 5. Fontes relacionadas | ||||
| Repositório Espelho | urlib.net/www/2021/06.04.03.40.25 | |||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/46KUES5 8JMKD3MGPDW34P/478H5L5 | |||
| Lista de Itens Citando | sid.inpe.br/mtc-m21/2012/07.13.15.01.24 3 sid.inpe.br/bibdigital/2022/04.03.23.11 1 sid.inpe.br/mtc-m16c/2022/07.08.19.08 1 | |||
| Acervo Hospedeiro | urlib.net/www/2021/06.04.03.40 | |||
| 6. Notas | ||||
| Notas | Bolsa PIBIC/PIBITI/INPE/CNPq. | |||
| Campos Vazios | archivingpolicy archivist callnumber contenttype copyholder copyright creatorhistory date descriptionlevel dissemination doi edition format isbn issn label lineage mark nextedition orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup recipient reportnumber rightsholder schedulinginformation secondarydate secondarykey secondarymark secondarytype session shorttitle sponsor subject tertiarymark tertiarytype translator url versiontype | |||