Warning: opendir(/var/www/html/sigeita/wp-content/cache/db/options//6fe/e8c): failed to open dir: No such file or directory in /var/www/html/sigeita/wp-content/plugins/w3-total-cache/Util_File.php on line 158 TRABALHOS PUBLICADOS - SIGE
@inproceedings{Leonan2019Syntheticb,
title = {kNN e Rede Neural Convolucional para o Reconhecimento de Plataformas de Petr\'{o}leo em Imagens SAR do Sentinel-1},
author = {Leonan Entringer Falqueto and Ricardo Suterio and Rafael Lemos Paes and Angelo Passaro},
url = {https://www.sige.ita.br/edicoes-anteriores/2019/st/ST_03_3.pdf},
year = {2019},
date = {2019-01-01},
booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2019 (SIGE2019)},
abstract = {O reconhecimento autom\'{a}tico de alvos (plataformas petrol\'{i}feras) por meio de imagens de radar de abertura sint\'{e}tica (SAR) de m\'{e}dia resolu\c{c}\~{a}o auxilia a vigil\^{a}ncia de \'{a}reas extensas como o Atl\^{a}ntico Sul. Esse trabalho aprofundou o estudo do emprego da VGG-16 como extratora de atributos para alimentar algoritmos de Machine Learning, especificamente, o kNN. Variou-se o n\'{u}mero de vizinhos para um conjunto de amostras de imagens SAR do Sentinel-1 contendo plataformas mar\'{i}timas e falsos-alarmes, usando um experimento com 50 blocos de treinamento e teste. Demonstrou- se que o ajuste de par\^{a}metros do classificador apresenta melhorias significativas, com um incremento de 6,46% no indicador AUC.},
keywords = {Synthetic Aperture Radar},
pubstate = {published},
tppubtype = {inproceedings}
}
O reconhecimento automático de alvos (plataformas petrolíferas) por meio de imagens de radar de abertura sintética (SAR) de média resolução auxilia a vigilância de áreas extensas como o Atlântico Sul. Esse trabalho aprofundou o estudo do emprego da VGG-16 como extratora de atributos para alimentar algoritmos de Machine Learning, especificamente, o kNN. Variou-se o número de vizinhos para um conjunto de amostras de imagens SAR do Sentinel-1 contendo plataformas marítimas e falsos-alarmes, usando um experimento com 50 blocos de treinamento e teste. Demonstrou- se que o ajuste de parâmetros do classificador apresenta melhorias significativas, com um incremento de 6,46% no indicador AUC.
