Redes neurais de convolução na classificação de edifícios em imagens de alta resolução espacial

Tese de mestrado, Engenharia Geoespacial , 2022, Universidade de Lisboa, Faculdade de CiênciasA presente tese tem como principal objetivo introduzir e explorar os conceitos de Inteligência Artificial e Machine Learning, com especial foco nas Convolutional Neural Networks. Nesta, descreve-se o processo de criação de um ambiente eficiente para treino, validação e teste de modelos profundos criados com capacidade de realizar a segmentação automática de edifícios em imagens aéreas e espaciais de alta resolução, alertando-se para a crescente importância e eficiência deste tipo de técnicas para propósitos e tarefas relacionadas com a Engenharia Geoespacial. A informação extraída de imagens aéreas e espaciais apresenta aplicações significativas em várias disciplinas da Engenharia Geoespacial, como a deteção remota, análise espacial de dados, produção cartográfica, entre outras. Atualmente, grande parte da extração ainda é realizada por especialistas humanos, tornando o processo lento, caro e propenso a erros. O trabalho desenvolvido explora e desenvolve métodos para extrair automaticamente a localização e forma de entidades geoespaciais, nomeadamente edifícios. Recorre-se à utilização da recente arquitetura U-net, que se tem vindo a destacar pela sua contribuição em tarefas de segmentação de imagens de alta resolução, obtidas utilizando técnicas espaciais e aéreas de aquisição de informação radiométrica e geoespacial. A programação em Python constituiu a base do trabalho desenvolvido, tendo sido necessário criar um conjunto de ferramentas, que foram publicadas num repositório online GitHub, de manipulação, processamento e testagem dos vários modelos profundos de Machine Learning e conjuntos de dados big data. Após realizado o treino em nuvem dos vários modelos, estes foram analisados e comparados, com recurso a dois conjuntos de dados de validação criados para o efeito, com o objetivo de se avaliar a qualidade e influência das várias técnicas de treino realizadas, especialmente em termos de generalização e capacidade aplicacional. Algumas experiências demonstram resultados de precisão e revocação simultaneamente acima de 90% em certas amostras.The main objective of this thesis is to introduce and explore the concepts of Artificial Intelligence and Machine Learning, with a special focus on Convolutional Neural Networks. The process of creating an efficient environment for training, validation and testing of deep models created, with the ability to perform the automatic segmentation of buildings in high resolution aerial and spatial images, is described, alerting to the growing importance and efficiency of this type of techniques for purposes and tasks related to Geospatial Engineering. The information extracted from aerial and space images has significant applications in several disciplines of Geospatial Engineering, such as remote sensing, spatial data analysis, cartographic production, among others. Currently, much of the extraction is still performed by human experts, making the process slow, expensive, and error-prone. The work developed explores and develops methods to automatically extract the location and shape of geospatial entities, namely buildings. The recent U-net architecture is used, which has been highlighted for its contribution in high resolution image segmentation tasks, obtained using spatial and aerial techniques for the acquisition of radiometric and geospatial information. Python programming formed the basis of the work developed, and it was necessary to create a set of tools, which were published in an online GitHub repository, for the manipulation, processing and testing of the various deep models of Machine Learning and big data datasets. After performing the cloud training of the various models, they were analyzed and compared, using two sets of validation data created for this purpose, in order to assess the quality and influence of the various training techniques performed, especially in terms of generalization and application capability. Some experiments demonstrate accuracy and recall results simultaneously above 90% in certain samples