@InProceedings{EirasPleRodFerKör:2020:IdPiCe,
author = "Eiras, Denis Magalh{\~a}es de Almeida and Pletsch, Mikhaela
Aloisia Jessie Santos and Rodrigues, Marcos Lima and Ferreira,
Karine Reis and K{\"o}rting, Thales Sehn",
affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto
Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de
Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas
Espaciais (INPE)} and {Instituto Nacional de Pesquisas Espaciais
(INPE)}",
title = "Identifica{\c{c}}{\~a}o de piv{\^o}s centrais usando
composi{\c{c}}{\~o}es de bandas e um m{\'e}todo r{\'a}pido de
Deep Learning",
booktitle = "Anais...",
year = "2020",
editor = "Carneiro, Tiago Garcia de Senna (UFOP) and Felgueiras, Carlos
Alberto (INPE)",
organization = "Simp{\'o}sio Brasileiro de Geoinform{\'a}tica, 21. (GEOINFO)",
publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
address = "S{\~a}o Jos{\'e} dos Campos",
abstract = "Este trabalho apresenta uma t{\'e}cnica para identificar
piv{\^o} central (PC) usando partes de imagens que cont{\'e}m um
PC, compostas por bandas variadas do sensor OLI do Landsat 8 e
{\'{\i}}ndices espectrais em uma Rede Neural Convolucional (CNN)
r{\'a}pida. Diferentes combina{\c{c}}{\~o}es de bandas e
{\'{\i}}ndices foram testadas, como banda infravermelha e NDVI.
Os resultados obtidos indicaram a melhor acur{\'a}cia (95,85%)
utilizando bandas n{\~a}o comumente utilizadas em CNNs, superando
alguns trabalhos. A CNN tamb{\'e}m demonstra vantagens em termos
de velocidade ao classificar uma imagem em 0,28 milissegundos,
revelando grande potencial para identifica{\c{c}}{\~a}o de PC em
imagens de sensoriamento remoto, dispon{\'{\i}}veis em
cat{\'a}logos oficiais.",
conference-location = "On-line",
conference-year = "30 nov. a 03 dez. 2020",
issn = "2179-4847",
language = "pt",
ibi = "8JMKD3MGPDW34P/43PR2H2",
url = "http://urlib.net/ibi/8JMKD3MGPDW34P/43PR2H2",
targetfile = "s4.pdf",
type = "Geoinforma{\c{c}}{\~a}o",
urlaccessdate = "27 abr. 2024"
}