Monitoramento Espacial em Tempo Real Movido por Aprendizado Profundo Usando Imagens de Satélite

Detectar aeronaves em imagens de sensoriamento remoto representa um desafio considerável devido às diversas características das aeronaves, incluindo tipo, tamanho, pose e fundos intricados. Algoritmos tradicionais enfrentam dificuldades em extrair manualmente características de numerosas regiões candidatas. Este artigo introduz uma abordagem inovadora de detecção de aeronaves que combina agrupamento de cantos com um conjunto diversificado de modelos de Aprendizado Profundo (DL). O método proposto envolve duas etapas principais: proposta de região e classificação. Na etapa de proposta de região, as regiões candidatas iniciais são geradas usando um algoritmo de agrupamento por média deslocada aplicado aos cantos detectados em imagens binárias. Subsequentemente, um conjunto abrangente de classificadores, abrangendo CNN, DenseNet, MobileNetV2, Inception v3, Random Forest (R.F), ResNet50, ResNeXT, Máquinas de Vetores de Suporte (SVM), VGG16, Xception, EfficientNet e InceptionResNetv2, é empregado para extração de características e classificação. A abordagem apresentada demonstra precisão e eficiência superiores em comparação com métodos convencionais. Ao aproveitar as capacidades de aprendizado autônomo de CNN e modelos de DL em conjuntos de dados extensos, a metodologia gera um conjunto reduzido, mas de alta qualidade, de regiões candidatas. Inspirada pela metodologia de detecção empregada por analistas de imagem, a abordagem adota uma estratégia de grosso para fino usando CNN e modelos de DL. A primeira CNN propõe regiões candidatas grossas, e a segunda identifica aviões individuais nessas regiões em detalhes mais finos. Esta estrutura resulta em um número reduzido de regiões candidatas em comparação com a literatura existente, ao mesmo tempo em que extrai características profundas distintas. Avaliações experimentais em imagens do Google Earth validam a eficiência do método proposto, destacando seu potencial para aplicações práticas em contextos civis e militares.