@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"
}