Linha de pesquisa: Ciência de Dados

Resumo: A utilização de imagens multiespectrais de satélite impulsionou a resolução de problemas relacionados ao sensoriamento remoto que outrora eram desafiadores. Entretanto,
esse tipo de imageamento ainda pode ser suscetível a presença de artefatos, como por
exemplo, nuvens, sobras e neve. Assim, diversas pesquisas têm sido desenvolvidas para
identificar e remover tais artefatos, os quais foram fomentados pela popularização de técnicas baseadas em deep learning. Desse modo, esse trabalho busca apresentar uma nova
abordagem computacional que seja capaz de simultaneamente detectar e reconstruir uma
imagem multiespectral de satélite ocluída por nuvens. Para tanto, é necessário considerar
que a nuvem pode ter diferentes aspectos (i.e., finas e espessas), o que gera desafios e
configurações experimentais particulares. Enquanto em nuvens finas pode-se usar técnicas tradicionais para realizar a reconstrução, nas nuvens espessas as informações podem
estar completamente obstruídas pela nuvens e, consequentemente, dificultar o processo
de reconstrução. Uma alternativa para reconstrução de nuvens espessas é a utilização de
fusão de dados de imageamento ótico com Synthetic-aperture radar (SAR), o qual não é
sensível a presença da nuvem. Resultados preliminares desta pesquisa, conduzidos através
de dois experimentos demonstraram a capacidade robusta de técnicas baseadas em deep
learning em abordar a segmentação, em termos quantitativos e qualitativos. O primeiro
experimento avaliou a U-Net com três diferentes combinações de backbones em realizar
a tarefa. Os resultados demonstraram acurácia de 97% e 95% para, respectivamente, os
conjuntos de validação e teste. O segundo experimento avaliou a combinações de três
modelos (U-Net, LinkNet e PSPNet) com outros quatro backbones (ResNet-50, VGG-16,
MobileNet V2 e EfficientNet B2). Para este experimento, as avaliações em termos de pixel
accuracy, mean pixel accuracy, mean IoU e frequency-based IoU também apresentaram
resultados satisfatórios. Para a etapa de reconstrução, a mais complexa, foi conduzida
uma revisão sistematizada a fim de estabelecer criteriosamente o estado da arte e problemas de pesquisa inerentes. A partir dessa revisão, foram levantados 81 trabalhos, de
modo a construir uma taxonomia para a área de pesquisa. De posse da abrangente revisão, elaborada uma configuração experimental baseada em diffusion models que avance noestado da arte. Espera-se avaliar a reconstrução em termos qualitativos e, principalmente,
quantitativos, além de estabelecer um comparativo entre os métodos já consolidados na
literatura para evidenciar a contribuição dessa pesquisa

Link para a defesa: https://meet.google.com/xdq-utis-eah