Telefone/Ramal: | (98) 2016-8166/8942 |
USO DE REDES NEURAIS CONVOLUCIONAIS NA SEGMENTAÇÃO DE VIAS URBANAS ASFALTADAS EM IMAGENS DE SATÉLITE RGB: Estudo de caso em São Luís-MA.
Geoprocessamento, imagem RGB, segmentação de imagens, Rede Neural Convolucional.
É frequente usar imagens de satélite em atividades de geoprocessamento e editar
geometrias vetoriais relativas a cada aplicação, sendo o desenho manual de vias uma atividade
bastante frequente. Com a crescente demanda por desenhos vetoriais em SIGs, em especial a
verificação e edição de vias terrestres, torna-se conveniente o desenvolvimento de uma
ferramenta computacional que, com a ajuda da inteligência artificial, automatize o que for
possível, já que tal edição depende dos limites da agilidade do usuário.
Para testar a viabilidade desta proposta, uma base de dados composta por 600 imagens
RGB é apresentada a três diferentes Redes Neurais Convolucionais (CNNs) projetadas para
segmentação de objetos e o desempenho de cada uma foi avaliado e comparado tendo-se em
vista acurácia, IoU e tempo de segmentação.
Nas condições do experimento, a CNN SegNet se mostrou mais apropriada a
aplicações de precisão não sensíveis a descontinuidades, logrando acurácia média de 87,12% e
IoU médio de 71,93%, ao passo que a Dilated Convolutions alcançou os valores de 85,27% e
61,27% e a U-Net 78,09% e 64,91%, respectivamente. Alternativamente, Dilated Convolutions
mostrou maior afinidade a aplicações que demandem um processamento de alta frequência e
que não sofram tanta interferência dos falsos positivos, por conciliar boa acurácia com um
tempo médio bastante reduzido de 31,2 ms para imagens de 256 × 256 pixels e 125 ms para as
de 1024 × 1024 pixels, contra os respectivos 78,1 e 546,9 da U-Net e 93,7 e 687,5 ms da SegNet.