Overcoming challenging crban images: deep learning and data integration methods for detecting trees entangled with power lines (2023)
- Authors:
- Autor USP: OLIVEIRA, ARTUR ANDRE ALMEIDA DE MACEDO - IME
- Unidade: IME
- Sigla do Departamento: MAC
- DOI: 10.11606/T.45.2023.tde-22032024-184659
- Subjects: APRENDIZAGEM PROFUNDA; VISÃO COMPUTACIONAL
- Keywords: Computer vision; Deep learning; Dificuldade de instância; Imagens urbanas; Instance hardness; Urban images
- Agências de fomento:
- Language: Inglês
- Abstract: A classificação de imagens urbanas em nível de rua apresenta desafios devido à presença de diversos elementos, aparências variadas e poses complexas. Fatores como oclusão, confusão de fundo, condições climáticas e pontos de vista da câmera complicam ainda mais o processo de classificação. Neste estudo, aproveitamos as capacidades de redes de aprendizado profundo recentes, incluindo MobileNets, ResNets, DenseNets e EfficientNets, para enfrentar esses desafios. Nosso objetivo é avaliar o desempenho dessas redes, identificar limitações e propor novas técnicas para superá-las. Nossa pesquisa se concentra na tarefa específica de classificar imagens urbanas com ou sem árvores próximas à rede elétrica. Através de uma exploração extensiva, fornecemos métodos e insights úteis não só para esse problema de classificação, mas também aplicáveis a tarefas de classificação em outros domínios. Duas contribuições principais são introduzidas em nosso trabalho. Em primeiro lugar, ampliamos a plataforma INvestigate and Analyze a CITY (INACITY) integrando um banco de dados orientado a grafos, melhorando o desempenho e a cobertura da coleta de imagens urbanas com o Google Street View. Em segundo lugar, desenvolvemos a ferramenta Street-Level Image Labeler (SLIL), que reduz eficientemente o ônus de rotular imagens manualmente, facilitando a criação de conjuntos de dados. Com a ajuda do INACITY e do SLIL, criamos um conjunto de dados abrangente com 8.800 imagens urbanas em nível de rua rotuladasbinariamente como contendo árvores próximas à rede elétrica (i.e. classe positiva) ou não (i.e. classe negativa). A avaliação humana do conjunto de dados revela a presença de imagens desafiadoras que confundem até mesmo classificadores experientes. Por exemplo, distinguir se fios de poste cruzam ou passam por trás das copas das árvores pode ser difícil, dependendo do ponto de vista da câmera. A comparação de redes neurais profundas recentes nesse conjunto de dados revela que a maior precisão alcançada por redes comuns é de 74,6%. No entanto, ao introduzir uma nova classe distinta da positiva ou negativa, a classe \emph, e empregar o protocolo de treinamento \emph{Noisy Student} e a função de custo \emph{Focal Loss}, melhoramos efetivamente as taxas de revocação para as classe positiva de 66,5% para 83,7% e para a classe negativa de 63,7% para 78,8%. Essa abordagem nos permite identificar e classificar melhor imagens que anteriormente eram propensas a classificações incorretas
- Imprenta:
- Data da defesa: 11.08.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
OLIVEIRA, Artur André Almeida de Macedo. Overcoming challenging crban images: deep learning and data integration methods for detecting trees entangled with power lines. 2023. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-22032024-184659/. Acesso em: 27 dez. 2025. -
APA
Oliveira, A. A. A. de M. (2023). Overcoming challenging crban images: deep learning and data integration methods for detecting trees entangled with power lines (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/45/45134/tde-22032024-184659/ -
NLM
Oliveira AAA de M. Overcoming challenging crban images: deep learning and data integration methods for detecting trees entangled with power lines [Internet]. 2023 ;[citado 2025 dez. 27 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-22032024-184659/ -
Vancouver
Oliveira AAA de M. Overcoming challenging crban images: deep learning and data integration methods for detecting trees entangled with power lines [Internet]. 2023 ;[citado 2025 dez. 27 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-22032024-184659/ - INvestigate and Analyse a City - INACITY
- Locating urban trees near electric wires using Google Street View Photos: a new dataset and a semi-supervised learning approach in the wild
- INACITY - INvestigate and Analyze a CITY
- SDBM: Supervised Decision Boundary Maps for machine learning classifiers
- Detecting tree and wire entanglements with deep learning
- Stability analysis of supervised decision boundary maps
- Improving self-supervised dimensionality reduction: exploring hyperparameters and pseudo-labeling strategies
- Improving image classification tasks using fused embeddings and multimodal models
- Towards a method for evaluating bus stop infrastructure with street level images and large language models
Informações sobre o DOI: 10.11606/T.45.2023.tde-22032024-184659 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
