Publicado em outubro de 2021
Um estudo feito por pesquisadores do Departamento de Ciência da Computação (DCC) da UFMG, PUC-RJ e USP, todas instituições brasileiras, que trata dos desafios do reconhecimento multitemporal de culturas e propõe uma nova abordagem chamada OpenPCS++ capaz não só de aprender classes conhecidas, mas também identifica novas culturas na fase de previsão, foi publicado no IEEE Xplore, no início de outubro de 2021.
Segundo os cientistas, imagens multitemporais de sensoriamento remoto desempenham um papel fundamental como fonte de informação para mapeamento e monitoramento automatizado de culturas. “A evolução do padrão espacial/espectral ao longo do tempo fornece informações sobre a dinâmica das culturas e é muito útil para estimativa de produtividade. Embora o mapeamento multitemporal das culturas tenha progredido consideravelmente, com o advento do aprendizado profundo nos últimos anos, os modelos de classificação obtidos ainda apresentam limitações quando expostos a classes desconhecidas na fase de predição, reduzindo sua utilidade.
Sendo assim, estes modelos são treinados para identificar um conjunto fechado de culturas (por exemplo, soja e cana-de-açúcar) e, portanto, são incapazes de reconhecer outros tipos de culturas (por exemplo, milho). “Neste trabalho intitulado “Open Set Semantic Segmentation for Multitemporal Crop Recognition”, lidamos com os desafios do reconhecimento multitemporal de culturas propondo uma nova abordagem chamada OpenPCS++, que não só é capaz de aprender classes conhecidas, mas também é capaz de identificar novas culturas na fase de previsão. A abordagem proposta foi avaliada em dois conjuntos de dados públicos desafiadores, localizados em climas tropicais no Brasil. Os resultados mostraram que o OpenPCS++ alcançou aumentos de até 0,19 em termos de área sob a curva característica de operação do receptor (ROC) em comparação com as linhas de base”, explicaram.
O artigo é de autoria dos pesquisadores Jorge A. Chamorro Martinez e Raul Queiroz Feitosa, do Departamento de Engenharia Elétrica da Pontifícia Universidade Católica do Rio de Janeiro, Brasil, Hugo Oliveira, do Instituto de Matemática e Estatística (IME), da Universidade de São Paulo (USP), Brasil; Jefersson A. dos Santos, do DCC/UFMG, Belo Horizonte, Brasil.
Para saber mais, o código está disponível em https://github.com/DiMorten/osss-mcr.