| Resumo : |
Com tantos sensores orbitais disponibilizando uma enorme quantidade de imagens, os radares de abertura sintética (SAR - Synthetic Aperture Radar) foram alçados à era do Big Data. Avanços recentes na área de Deep Learning para reconhecimento automático de alvos (ATR - Automatic Target Recognition) inspiraram estudos para vigilância marítima com sistemas SAR. Neste contexto, o monitoramento de plataformas de petróleo é de particular interesse. Elas possuem diferentes tipos e tamanhos, o que representa um desafio para os métodos de classificação, que seguiam o paradigma de utilizar imagens de alta resolução espacial para superar a complexidade da tarefa. A pesquisa desenvolvida nesse trabalho analisou o uso de imagens do sistema SAR do Sentinel-1, de média resolução espacial para reconhecer plataformas offshore, obtendo altos níveis de acurácia e demonstrando que o uso de redes convolucionais (Convolutional Neural Networks - CNN) para extração de atributos é eficaz. Especificamente, foi possível comparar a aplicação das CNN VGG-16 e VGG-19 para extrair os atributos de imagens amplitude (produto GRD do Sentinel-1, com resolução espacial de aproximadamente 20 metros). Tais atributos alimentavam seis algoritmos classificadores: k-NN, Árvore de decisão, SVM, Random Forest, Naïve Bayes e Regressão Logística. Os conjuntos de amostras para treinamento e teste foram separados pelos canais VV e VH para observar as influências da polarização no reconhecimento dos alvos. O emprego da VGG-16 e da VGG-19, com o classificador Regressão Logística, em imagens com polarização VH permitiu uma acurácia média de 86,4% e 84,1%, respectivamente, analisando os 50 testes realizados nessa configuração. Observou-se que ambas as CNN extraem atributos com maior poder descritivo do canal VH, comparando-se qualquer critério de avaliação. Notou-se que a profundidade da CNN faz diferença apenas em situações mais desafiadoras, como ao lidar com imagens na polarização VV com estado de mar mais variado. Na melhor configuração, notou-se que a VGG-16 apresenta uma vantagem marginal com menor esforço computacional. Testou-se em uma segunda bateria de experimentos o balanceamento do conjunto de treinamento para condições de vento, porém não houve percepção de melhora significativa no desempenho, mas sim um aumento considerável da variância dos resultados. Necessita-se, portanto, de mais estudos para compreender o efeito do vento no reconhecimento de plataformas offshore por meio da metodologia empregada na pesquisa. |