[pt] ADAPTAÇÃO DE DOMÍNIO PARA DETECÇÃO DE DESMATAMENTO A PARTIR DE DADOS DE SENSORIAMENTO REMOTO: ABORDANDO A ESTIMATIVA DE DESEMPENHO E O DESEQUILÍBRIO DE CLASSES

[en] DOMAIN ADAPTATION FOR DEFORESTATION DETECTION IN REMOTE SENSING: ADDRESSING PERFORMANCE ESTIMATION AND CLASS IMBALANCE

[pt] MABEL XIMENA ORTEGA ADARME

[pt] APRENDIZADO PROFUNDO

[pt] ESTIMATIVA DE DESEMPENHO

[pt] DESEQUILIBRIO DE CLASSES

[pt] ADAPTACAO DE DOMINIO

[pt] DETECCAO DE DESMATAMENTO

[en] DEEP LEARNING

[en] PERFORMANCE ESTIMATION

[en] CLASS IMBALANCE

[en] DOMAIN ADAPTATION

[en] DEFORESTATION DETECTION

[pt] Técnicas de aprendizagem profunda baseadas em dados de sensoriamento remoto podem desempenhar um papel crítico no monitoramento do desmatamento em todo o mundo. No entanto, a qualidade dessas técnicas depende da disponibilidade de grandes conjuntos de dados anotados. Métodos de adaptação de domínio abordam a escassez de dados de treinamento anotados, aproveitando o conhecimento adquirido a partir de domínios de aplicação para os quais existem uma abundância de dados rotulados. O sucesso da adaptação dos domínios depende, no entanto, do nível de (dis)similaridade entre os domínios fonte e alvo. Embora existam algumas técnicas estatísticas para medir discrepâncias relativas entre distribuições de dados distintas, antecipar o resultado de um método de adaptação de domínio específico é uma questão em aberto. Além disso, o desbalanceamento de classes é um problema importante na adaptação de domínio. A aplicação de detecção de desmatamento é frequentemente caracterizada por um alto nível de desbalanceamento, dado que apenas uma pequena parte das extensas áreas florestais é desmatada nos períodos monitorados. Este trabalho aborda ambos os desafios mencionados, propondo soluções inovadoras. A fim de prever o desempenho da adaptação do domínio, propomos uma forma de medir a incerteza nas suas previsões, obtendo pistas sobre sua capacidade de generalização. Em relação ao desbalanceamento, aplicamos uma abordagem de remoção de viés não supervisionada que determina as probabilidades de amostragem para a seleção de lotes usados nas iterações de treinamento, considerando as distribuições de amostras em todo o conjunto de dados de treinamento. O módulo atribui probabilidades de amostragem mais altas a amostras sub-representadas. Para avaliar as soluções propostas, diversos experimentos foram realizados considerando quatro domínios distintos dentro da floresta amazônica. Os domínios correspondem a diferentes localizações geográficas, caracterizadas por diferentes tipos de vegetação e padrões de desmatamento. Os resultados experimentais indicam que a integração da técnica de remoção de viés nos métodos de adaptação de domínio melhorou o desempenho da classificação e que a incerteza estimada é um indicador valioso da capacidade de generalização dos modelos adaptados.

[en] Deep learning methods based on remote sensing data can play a critical role in monitoring and quantifying deforestation globally. However, their quality depends on the availability of large annotated datasets. Domain adaptation is an emerging technique that addresses the scarcity of annotated training data by leveraging knowledge from application domains for which there are abundant labeled data. The success of domain adaptation depends, however, on the level of (dis)similarity between the source and target domains. Although there are some statistical techniques that may be used to measure relative discrepancies between domain data distributions, anticipating the outcome of a particular domain adaptation method is an open issue. Additionally, class imbalance is a significant problem for domain adaptation. The deforestation detection application is often characterized by a high level of imbalance, as only a minor portion of extensive forest areas are deforested within the monitored periods. This work proposes novel solutions for both of these issues. In order to forecast domain adaptation performance without target labeled samples to assess the adapted model accuracy, we propose a strategy to measure uncertainty in its predictions, gaining insights into its generalization capacity. Regarding class imbalance, we apply an unsupervised debiasing module that determines sampling probabilities for the selection of batches used in the training iterations, considering the distributions of samples across the whole training dataset. The module assigns higher sampling probabilities to underrepresented samples. To evaluate the proposed solutions, several experiments were carried out considering four distinct domains within the Amazon rainforest. The domains correspond to different geographical locations, characterized by different vegetation types and deforestation patterns. The experimental results demonstrate that integrating the debiasing technique into domain adaptation methods improved classification performance, and that the estimated uncertainty is a valuable indicator of the generalization ability of the adapted models.

RAUL QUEIROZ FEITOSA

RAUL QUEIROZ FEITOSA

GILSON ALEXANDRE OSTWALD PEDRO DA COSTA

CHRISTIAN HEIPKE

FRANZ ROTTENSTEINER

CLAUDIO APARECIDO DE ALMEIDA

MONIKA SESTER

2025-05-15

2024-11-04

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70461@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70461@2

https://doi.org/10.17771/PUCRio.acad.70461