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 de São Paulo (USP) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Jodas, Danilo Samuel | - |
Autor(es): dc.creator | Brazolin, Sergio | - |
Autor(es): dc.creator | Yojo, Takashi | - |
Autor(es): dc.creator | De Lima, Reinaldo Araujo | - |
Autor(es): dc.creator | Velasco, Giuliana Del Nero | - |
Autor(es): dc.creator | Machado, Aline Ribeiro | - |
Autor(es): dc.creator | Papa, Joao Paulo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:25:46Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:25:46Z | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2020-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/SIBGRAPI54419.2021.00057 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/234109 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/234109 | - |
Descrição: dc.description | Recently, the real-time monitoring of the urban ecosystem has raised the attention of many municipal forestry management services. The proper maintenance of trees is seen as crucial to guarantee the quality and safety of the streetscape. However, the current analysis still involves the time-consuming fieldwork conducted for extracting the measurements of each part of the tree, including the angle and diameter of the trunk, to cite a few. Therefore, real-time monitoring is thoroughly necessary for the rapid identification of the constituent parts of the trees in images of the urban environment and the automatic estimation of their physical measures. This paper presents a method to segment the tree trunks in photographs of the municipal regions. To accomplish such a task, we introduce a semantic segmentation convolutional neural network architecture that incorporates a depthwise residual block to the well-known U-Net model to reduce the parameters required to create the network. Then, we perform a post-processing step to refine the segmented regions by removing the additional binary areas not related to the tree trunk. Lastly, the proposed method also extracts the central line of the identified region for future computation of the trunk measurements. Compared with the original U-Net architecture, the obtained results confirm the robustness of the proposed approaches, including similar evaluation metrics and the significant reduction of the network size. | - |
Descrição: dc.description | University of São Paulo Institute for Technological Research, SP | - |
Descrição: dc.description | São Paulo State University Department of Computing, SP | - |
Descrição: dc.description | São Paulo State University Department of Computing, SP | - |
Formato: dc.format | 370-377 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Proceedings - 2021 34th SIBGRAPI Conference on Graphics, Patterns and Images, SIBGRAPI 2021 | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | convolutional neural networks | - |
Palavras-chave: dc.subject | Deep learning | - |
Palavras-chave: dc.subject | image processing | - |
Palavras-chave: dc.subject | semantic segmentation | - |
Palavras-chave: dc.subject | urban forest | - |
Título: dc.title | A Deep Learning-based Approach for Tree Trunk Segmentation | - |
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: