[pt] ANÁLISE COMPARATIVA DE TÉCNICAS DE SEGMENTAÇÃO SEMÂNTICA USANDO APRENDIZADO PROFUNDO EM TESTEMUNHOS DE POÇOS NA BACIA DE SERGIPE

[en] COMPARATIVE ANALYSIS OF SEMANTIC SEGMENTATION TECHNIQUES USING DEEP LEARNING ON WELL CORE IMAGES FROM THE SERGIPE BASIN

[pt] PEDRO PAULO PIRES DE DEUS ROCHA

[pt] GEOLOGIA

[pt] SEDIMENTOLOGIA

[pt] SEGMENTACAO SEMANTICA

[pt] OLEO E GAS

[pt] INTELIGENCIA ARTIFICIAL

[en] GEOLOGY

[en] SEDIMENTOLOGY

[en] PIXEL-WISE SEMANTIC SEGMENTATION

[en] OIL AND GAS

[en] ARTIFICIAL INTELLIGENCE

[pt] O trabalho se propõe a analisar três diferentes abordagens de arquitetura na tarefa de segmentação semântica de fotografias de testemunhos de poços nas águas profundas da Bacia de Sergipe, no Brasil. A primeira abordagem utiliza a rede neural DeepLabV3+, que aplica uma diversidade de conceitos convolucionais que foram base para tarefas de Visão Computacional. A segunda rede, chamada de ViT-Adapter, utiliza os conceitos de mecanismos de atenção, que funcionam de maneira completamente diferente da abordagem convolucional tradicional. Por fim, a rede InternImage, que revisita os conceitos convolucionais, modernizando-os com características desenvolvidas para Transformers. Além de avaliar a performance de cada modelo, buscou-se verificar como cada tipo de arquitetura se manifesta nas segmentações de fotografias de testemunho de rocha, levando em consideração a complexidade existente nos rótulos de dados geológicos. Foram acrescentados experimentos secundários para enriquecer a análise, alcançando tópicos que vão além da comparação entre as diferentes arquiteturas. Entre eles está comparação de desempenho de modelos treinados do zero com modelos pré-treinados em datasets de domínio que não é geológico, bem como a comparação de desempenho no uso de diferentes funções de custo na tarefa de segmentação semântica.

[en] The work aims to put into perspective three different architectural ap proaches in the semantic segmentation task of photographs of well cores from deep water Sergipe basin in Brazil. The first approach uses the DeepLabV3+ neural network, which applies various convolutional concepts that have been the basis for Computer Vision tasks. The second network, ViT-Adapter, uses attention mechanism concepts that operate completely differently from the traditional convolutional approach. Finally, the InternImage network revisits convolutional concepts, modernizing them with features developed for Transformers. In addition to evaluating the performance of each model, the work sought was to verify how each type of architecture manifests itself in the seg mentation of well core photographs, taking into account the complexity existing in geological data labels. Secondary experiments were added to enrich the anal ysis, covering topics beyond comparing different architectures. Among them is the performance comparison of models trained from scratch with models pre trained on non-geological domain datasets and the performance comparison using different cost functions in the semantic segmentation task.

RAUL QUEIROZ FEITOSA

RAUL QUEIROZ FEITOSA

PATRICK NIGRI HAPP

ANTONIO DE PADUA CUNHA PIRES FILHO

2025-10-06

2025-04-24

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=73370@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=73370@2

https://doi.org/10.17771/PUCRio.acad.73370