Fechar

Defesa de Tese de Doutorado do aluno Ian Monteiro Nunes

Defesa de Tese de Doutorado do aluno Ian Monteiro Nunes

Título da dissertação: Open-set semantic segmentation for remote sensing images

Resumo: Coletar amostras que esgotam todas as classes possíveis para tarefas do mundo real geralmente é difícil ou até impossível devido a muitos fatores diferentes. Em um cenário realista/viável, os métodos devem estar cientes de que os dados de treinamento estão incompletos e que nem todo o conhecimento está disponível. Neste cenário, em tempo de teste, os métodos desenvolvidos devem ser capazes de identificar as amostras desconhecidas enquanto executam corretamente a tarefa proposta para as classes conhecidas. Os modelos Open-Set Recognition e Semantic Segmentation surgem para lidar com esse tipo de cenário para tarefas de reconhecimento visual e rotulagem densa, respectivamente. Inicialmente, este trabalho propõe uma nova taxonomia com o objetivo de organizar a literatura e fornecer uma compreensão das tendências teóricas que guiaram as abordagens existentes que podem influenciar métodos futuros. A segmentação de conjuntos abertos é uma tarefa relativamente nova e inexplorada, com apenas um punhado de métodos propostos para modelar tais tarefas. Este trabalho também propõe dois métodos distintos para realizar a segmentação semântica de conjunto aberto. Primeiro, um método chamado OpenGMM estende a estrutura OpenPCS usando uma mistura gaussiana de modelos para modelar a distribuição de pixels para cada classe de maneira multimodal. Em segundo lugar, o método de Reconstrução Condicional para Segmentação Semântica de Conjunto Aberto (CoReSeg) aborda o problema usando a reconstrução condicionada por classe das imagens de entrada de acordo com sua máscara de pixel. CoReSeg condiciona cada pixel de entrada para todas as classes conhecidas, esperando erros maiores para pixels de classes desconhecidas. A observação dos resultados qualitativos sugeriu que ambos os métodos propostos produzem melhor consistência semântica em suas previsões do que as linhas de base, resultando em mapas de segmentação mais limpos que se ajustam melhor aos limites dos objetos. Além disso, OpenGMM e CoReSeg superaram os métodos de linha de base de última geração nos conjuntos de dados Vaihingen e Potsdam ISPRS. A terceira abordagem proposta é um procedimento geral de pós-processamento que usa superpixels para forçar regiões altamente homogêneas a se comportarem igualmente, corrigindo pixels classificados errados dentro dessas regiões. Também propusemos um novo método de superpixel chamado FuSC. Todas as abordagens propostas melhoraram os resultados quantitativos e qualitativos para ambos os conjuntos de dados. Além disso, CoReSeg pós-processado com FuSC alcançou resultados de ponta para ambos os conjuntos de dados. A implementação oficial de todas as abordagens propostas está disponível em \url{https://github.com/iannunes}.

Orientador: Marcus Vinicius Soledade Poggi de Aragao

Co-orientador: Hugo Neves de Oliveira

Banca: 

Prof. Dr. Helio Côrtes Vieira Lopes

Prof. Dr. Alberto Barbosa Raposo

Prof. Dr. Luiz José Schirmer Silva

Prof. Dr. Arnaldo Lyrio Barreto

Prof. Dr. Marcelo Gattass

Prof. Dr. Jefersson Alex dos Santos

Acompanhe-nos também no site: http://www.inf.puc-rio.br/blog/noticia/noticia/defesa-de-tese-de-doutorado-open-set-semantic-segmentation-for-remote-sensing-images