Enfrentando o vazio: superando dados ausentes em imagens multivisualização
Machado, Gabriel and Pereira, Matheus B. and Nogueira, Keiller and Santos, Jefersson A. Dos.
IEEE Access, vol. 11, pp. 12547-12554, 2023.
http://dx.doi.org/10.1109/ACCESS.2022.3231617
Resumo
Em alguns cenários, uma única imagem de entrada pode não ser suficiente para permitir a classificação do objeto. Nestes casos, é crucial explorar as informações complementares extraídas de imagens que apresentam o mesmo objeto a partir de múltiplas perspectivas (ou vistas), a fim de melhorar a compreensão geral da cena e, consequentemente, aumentar o desempenho. No entanto, esta tarefa, comumente chamada de classificação de imagens multivisualização, apresenta um grande desafio: dados faltantes. Neste artigo, propomos uma nova técnica para classificação de imagens multivisualização robusta a este problema. O método proposto, baseado em abordagens de ponta baseadas em aprendizagem profunda e aprendizagem métrica, pode ser facilmente adaptado e explorado em outras aplicações e domínios. Uma avaliação sistemática do algoritmo proposto foi conduzida usando dois conjuntos de dados aéreo-terrestres multivisualização com propriedades muito distintas. Os resultados mostram que o algoritmo proposto fornece melhorias na precisão da classificação de imagens multivisualização quando comparado aos métodos mais modernos. O código da abordagem proposta está disponível em https://github.com/Gabriellm2003/remote_sensing_missing_data.
