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 Federal de Mato Grosso do Sul (UFMS) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | ZamboniThgeThe, Pedro Alberto Pereira | - |
Autor(es): dc.creator | Junior, José Marcato | - |
Autor(es): dc.creator | Miyoshi, Gabriela Takahashi | - |
Autor(es): dc.creator | de Andrade Silva, Jonathan | - |
Autor(es): dc.creator | Martins, José | - |
Autor(es): dc.creator | Gonçalves, Wesley Nunes | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:39:13Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:39:13Z | - |
Data de envio: dc.date.issued | 2022-04-28 | - |
Data de envio: dc.date.issued | 2022-04-28 | - |
Data de envio: dc.date.issued | 2020-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/IGARSS47720.2021.9553092 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/223596 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/223596 | - |
Descrição: dc.description | Maintaining vegetation cover in cities is a key component to keep cities safe and resilient. The monitoring of trees is usually done with LiDAR data or multi and hyperspectral images. In this sense, remote sensing RGB images are presented as a cheaper and easier processing solution. Here, we proposed to evaluate deep learning-based methods combined with high-resolution RGB images to detect single-trees in the urban environment. Three state-of-the-art methods are tested: Faster-RCNN, RetinaNet, and ATSS. A total of 220 images were used, in which we manually labeled 3382 trees. For the proposal task, our findings show that ATSS is 3% more accurate than Faster-RCNN and 4% than RetinaNet. However, in a qualitative inspection, Faster-RCNN and RetinaNet seems to be better at this task. Our findings shows the need of further research for developing suitable tools for urban tree detection. This tools can help cities top achieve a more sustainable and resilient environment especially to face climate change. | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Federal University of Mato Grosso do Sul UFMS | - |
Descrição: dc.description | São Paulo State University UNESP | - |
Descrição: dc.description | São Paulo State University UNESP | - |
Descrição: dc.description | CNPq: 303559/2019-5 | - |
Descrição: dc.description | CNPq: 304052/2019-1 | - |
Descrição: dc.description | CNPq: 433783/2018-4 | - |
Formato: dc.format | 590-593 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | International Geoscience and Remote Sensing Symposium (IGARSS) | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Deep learning | - |
Palavras-chave: dc.subject | Remote sensing | - |
Palavras-chave: dc.subject | Tree crown detection | - |
Palavras-chave: dc.subject | Urban environment | - |
Título: dc.title | ASSESSMENT OF CNN-BASED METHODS FOR SINGLE TREE DETECTION ON HIGH-RESOLUTION RGB IMAGES IN URBAN AREAS | - |
Tipo de arquivo: dc.type | aula digital | - |
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: