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.contributor | Brazilian Army Geographic Service | - |
Autor(es): dc.contributor | Purdue University | - |
Autor(es): dc.creator | Collegio, Gustavo Rota | - |
Autor(es): dc.creator | Dal Poz, Aluir Porfírio | - |
Autor(es): dc.creator | Filho, Antonio Gaudencio Guimarães | - |
Autor(es): dc.creator | Habib, Ayman | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:55:47Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:55:47Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-06-11 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.5194/isprs-archives-XLVIII-2-2024-65-2024 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/309852 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/309852 | - |
Descrição: dc.description | Due to the frequent road network changes, keeping them updated is fundamental for several purposes. Currently, models based on Deep Learning (DL), specifically, Convolutional Neural Networks (CNNs), such as encoder-decoder type, are state-of-the-art for this purpose. In this context, the high performance in CNNs has two aspects involved: the model needs a large labeled dataset, and the dataset belongs to the same probability distribution. In practical applications, however, this may not hold, since there is a domain shift effect, and it is not customary for the availability of labeled data. To approach these challenges, we propose to adapt the U-Net architecture (encoder-decoder) to the Unsupervised Domain Adaptation (UDA) that does not need labeling data to minimize the domain shift effect. Our results demonstrate that the proposed method contributes to road segmentation, whose model reaches 74.31% (IoU) and 85.04% (F1), against the same model without UDA that reaches 67.36% (IoU) and 80.02% (F1). This implies that the information that comes from the target domain, even unsupervised, contributes to adversarial learning, improving the generalization capacity of the model, enhancing aspects such as better discrimination surrounding classes, and in the geometric delineation of the road network. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Department of Cartography Faculty of Sciences and Technology São Paulo State University (UNESP) | - |
Descrição: dc.description | DSG Brazilian Army Geographic Service, DF | - |
Descrição: dc.description | Lyles School of Civil Engineering Purdue University | - |
Descrição: dc.description | Department of Cartography Faculty of Sciences and Technology São Paulo State University (UNESP) | - |
Descrição: dc.description | FAPESP: 2021/03586-2 | - |
Formato: dc.format | 65-71 | - |
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 | Adversarial Training | - |
Palavras-chave: dc.subject | Domain Adaptation | - |
Palavras-chave: dc.subject | High-Resolution Images | - |
Palavras-chave: dc.subject | Road Detection | - |
Palavras-chave: dc.subject | Semantic Segmentation | - |
Título: dc.title | Convolutional Neural Networks for Road Detection: An Unsupervised Domain Adaptation Approach | - |
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: