Publicado por: sadeckgeo | novembro 11, 2019

Convolutional Random Forest no Google Earth Engine

As redes neurais convolucionais profundas (CNNs) têm sido amplamente usadas hoje e tem alcançado um desempenho de ponta em muitas tarefas de processamento e análise de imagem de complexidade mais simples dentro do PDI. É por conta disso que o uso da U-Net entra em cena, como diz o amigo Cesar Diniz, quando tudo que é simples falha, tem que recorrer pra o complexo. A U-Net foi projetada especialmente para a segmentação de imagens médicas. Deu tão certo que foi logo redirecionada para outras áreas das ciências, uma vez que ela é excelente para avaliação de contexto.
Se você quiser ver a U-Net funcionando aqui vai um código.

Bem, no vídeo a Luize faz uma boa explanação sobre a teoria aplicada, que reúne FCNN, U-Net, Random Forest e Google Earth Engine – GEE. O fluxo é básico, passando pela importação da coleção de imagens com todos os filtros necessários e a redução da coleção à uma imagem pela mediana, posteriormente foram aplicados alguns índices como o MNDWI, que você pode ver melhor no artigo. Depois, todos esses produtos, ou insumos de imagens, são agregados em um arquivo só dentro do GEE, e dá-se a entrada no processo de não linearidade ou Convolução e Rectified Linear Unit – (ReLU) que é aplicado junto com cada convolução, seguindo o processo são aplicados os Max Pooling e o Random Forest. O intuito desse processo é poder entender a não linearidade do mundo real por meio dos domínios do sensoriamento remoto. O objetivo é conseguir classificar alvos de alta complexidade.

Se você se interessou pela U-Net esse post é bem legal!

Só para ficar claro, os procedimentos de FCNN e U-Net foram feitos dentro do TensorFlow e o método proposto CRF foi totalmente feito dentro do GEE no code editor. Os resultados foram comparados e estão expostos no vídeo.

O procedimento tem outros passos, no geral e de um ponto de vista menos computeiro o método aplica diversos filtros à imagem e vai guardando isso em bandas alternativas, degradando a imagem em um primeiro momento e retornando ao valor original de pixel em um segundo momento, esse novo produto de imagem entra para ser classificado no RF.

Bem, pra não me alongar muito vou deixar vocês com o vídeo a seguir e com esse link que dá uma visão geral do processo.

Não esquece de se inscrever no canal da Solved e deixar um comentário e/ou seu LIKE. Ele é muito importante pra gente!


Um abraço.


Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair /  Alterar )

Foto do Google

Você está comentando utilizando sua conta Google. Sair /  Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair /  Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair /  Alterar )

Conectando a %s

Categorias

%d blogueiros gostam disto: