Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Carrilho, A. C. [UNESP] | - |
Autor(es): dc.creator | Galo, M. [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:27:53Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:27:53Z | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2019-09-17 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.5194/isprs-archives-XLII-2-W16-61-2019 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/199632 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/199632 | - |
Descrição: dc.description | Recent advances in machine learning techniques for image classification have led to the development of robust approaches to both object detection and extraction. Traditional CNN architectures, such as LeNet, AlexNet and CaffeNet, usually use as input images of fixed sizes taken from objects and attempt to assign labels to those images. Another possible approach is the Fast Region-based CNN (or Fast R-CNN), which works by using two models: (i) a Region Proposal Network (RPN) which generates a set of potential Regions of Interest (RoI) in the image; and (ii) a traditional CNN which assigns labels to the proposed RoI. As an alternative, this study proposes an approach to automatic object extraction from aerial images similar to the Fast R-CNN architecture, the main difference being the use of the Simple Linear Iterative Clustering (SLIC) algorithm instead of an RPN to generate the RoI. The dataset used is composed of high-resolution aerial images and the following classes were considered: house, sport court, hangar, building, swimming pool, tree, and street/road. The proposed method can generate RoI with different sizes by running a multi-scale SLIC approach. The overall accuracy obtained for object detection was 89% and the major advantage is that the proposed method is capable of semantic segmentation by assigning a label to each selected RoI. Some of the problems encountered are related to object proximity, in which different instances appeared merged in the results. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Graduate Program in Cartographic Sciences - PPGCC São Paulo State University - UNESP | - |
Descrição: dc.description | Dept. of Cartography São Paulo State University - UNESP | - |
Descrição: dc.description | Graduate Program in Cartographic Sciences - PPGCC São Paulo State University - UNESP | - |
Descrição: dc.description | Dept. of Cartography São Paulo State University - UNESP | - |
Descrição: dc.description | CNPq: 304189/2016-2 | - |
Formato: dc.format | 61-66 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Convolutional Neural Networks | - |
Palavras-chave: dc.subject | Object extraction | - |
Palavras-chave: dc.subject | Simple Linear Iterative Clustering | - |
Título: dc.title | Automatic object extraction from high resolution aerial imagery with simple linear iterative clustering and convolutional neural networks | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: