Avaliação de redes neurais profundas para detecção veicular em imagens de satélite (2024)
- Authors:
- Autor USP: RIBEIRO, CRHISTIAN EMILIO - EESC
- Unidade: EESC
- Sigla do Departamento: STT
- DOI: 10.11606/D.18.2024.tde-31102024-114415
- Subjects: REDES NEURAIS; INTELIGÊNCIA ARTIFICIAL; RECONHECIMENTO DE IMAGEM; VEÍCULOS; SATÉLITES
- Keywords: Detecção de pequenos objetos.; Detecção de veículos.; Imagens de satélite.
- Agências de fomento:
- Language: Português
- Abstract: Este estudo visa criar um banco de imagens de satélite contendo veículos rotulados em rodovias brasileiras, calibrar um modelo de inteligência artificial para reconhecimento de veículos em imagens de satélite e utilizar o modelo calibrado em tais imagens para calcular a densidade de veículos em imagens de satélite da Ponte Rio- Niterói com o algoritmo YOLOv8, identificando se as mudanças na configuração do conjunto de treinamento e o uso da técnica de slicing durante a inferência têm um impacto estatisticamente significativo na precisão média (mAP) e no número de veículos detectados no conjunto de validação. Um banco de imagens de rodovias localizadas no Brasil foi criado e juntamente com bancos de imagens de satélite publicados pela comunidade acadêmica foram utilizados para a calibração do modelo. Considerando os cinco cenários testados, foram obtidos mAP iguais a 0,632, 0,653, 0,650, 0,734, 0,710 (média de 0,6758 e desvio-padrão de 0,0438) para o conjunto de validação usando YOLOv8 combinado com Slicing Aided Hyper Inference (SAHI). Além disso, uma diferença estatística significativa foi identificada em 17 dos 45 testes (38%) conduzidos, demonstrando que não houve ganho significativo e consistente nos valores de mAP entre as etapas do mesmo cenário. Verificou-se que o uso do SAHI em conjunto com o YOLO aumentou o número de imagens com mais de 10 veículos detectados em 72,5% quando comparado ao uso do YOLO sozinho nas mesmas imagens. Além disso, uma diferença estatisticamente significativa foi identificada no número de veículos detectados para todos os cinco cenários estudados, destacando a contribuição da técnica de slicing. Por fim, obteve-se uma acurácia de 72% no cálculo da densidade de veículos na Ponte Rio- Niterói ao utilizar o modelo treinado neste estudo com o melhor mAP
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 27.08.2024
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
RIBEIRO, Crhistian Emilio. Avaliação de redes neurais profundas para detecção veicular em imagens de satélite. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18144/tde-31102024-114415/. Acesso em: 26 jan. 2026. -
APA
Ribeiro, C. E. (2024). Avaliação de redes neurais profundas para detecção veicular em imagens de satélite (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18144/tde-31102024-114415/ -
NLM
Ribeiro CE. Avaliação de redes neurais profundas para detecção veicular em imagens de satélite [Internet]. 2024 ;[citado 2026 jan. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18144/tde-31102024-114415/ -
Vancouver
Ribeiro CE. Avaliação de redes neurais profundas para detecção veicular em imagens de satélite [Internet]. 2024 ;[citado 2026 jan. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18144/tde-31102024-114415/
Informações sobre o DOI: 10.11606/D.18.2024.tde-31102024-114415 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
