| dc.description.abstract | Extração de edificações por meio de imagens oriundas de sensores aerotransportados é uma atividade essencial para aplicações como planejamento urbano e produção cartográfica. No caso da produção cartográfica, ao utilizar somente imagens,
tal processo é essencialmente manual, seja por meio de restituição fotogramétrica,
seja por digitalização em uma ortoimagem. Dados os recentes avanços no campo de
inteligência artificial, particularmente no ramo de Deep Learning (DL), a presente dissertação propõe um novo método baseado em redes convolucionais profundas (convolutional neural networks) para extrair automaticamente a geometria de edificações
em regiões densamente edificadas, denominado HRNet OCR w48 Frame Field. Tal
técnica consiste na combinação entre a rede neural convolucional profunda HRNet
OCR w48 e a estrutura Frame Field. Dessa combinação, além das máscaras binárias de segmentação, é extraído um campo vetorial complexo (Frame Field) utilizado
em um método de pós-processamento denominado Active Skeletons Method (ASM)
para a obtenção de polígonos com formatos de edificações. Além do método supramencionado, identificou-se na literatura um método que no escopo desta pesquisa foi
denominado ModPolyMapper, que também é capaz de extrair polígonos de edificações
e que apresentou, em regiões esparsas, resultados adequados aos parâmetros definidos na pesquisa. Em adição, a presente pesquisa também propõe um novo conjunto
de dados (dataset), para o treinamento de métodos semelhantes aos apresentados,
denominado Brazilian Army Geographic Service Buildings dataset. Além disso, foram
desenvolvidos frameworks baseados em software livre e de código aberto, na linguagem de programação Python, um utilizando o Tensorflow, e outro o PyTorch, para o
treinamento de redes de segmentação semântica, denominados respectivamente segmentation_models_trainer e pytorch_segmentation_models_trainer. Outrossim, também foi desenvolvido um complemento para o QGIS, denominado DeepLearningTools,
para a construção e visualização de máscaras para o treinamento. Ademais, foi realizada uma análise de qualidade à luz das normas do Sistema Cartográfico Nacional
(SCN) para atestar que ambos os métodos abordados nesta pesquisa são adequados
para a elaboração de cartas na escala 1:25.000, em conformidade com as normas do
Sistema Cartográfico Nacional (SCN). | |
| dc.rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | |
