• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
https://doi.org/10.11606/T.45.2019.tde-20012021-191240
Documento
Autor
Nome completo
Éric Keiji Tokuda
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2019
Orientador
Banca examinadora
Cesar Junior, Roberto Marcondes (Presidente)
Hirata Junior, Roberto
Papa, João Paulo
Pedrini, Hélio
Rocha, Anderson de Rezende
Título em inglês
Computer vision analysis of unconstrained urban ground-level images
Palavras-chave em inglês
Computer vision
Graffiti
Image processing
Machine learning
Object detection
Semi-supervised learning
Sensor network
Smart cities
Urban computing
Resumo em inglês
Nowadays, images are generated on a large scale and in a decentralized way. Such modality of data carries valuable information but extracting this information is not always trivial. In this thesis, we tackle computer vision challenges when using ground-level images. The first challenge is the high-cost annotation for evaluating object detection methods. In the context of image degradation imposed by weather, the second issue is the lack of analysis that evaluates the impact of de-raining methods to the object detection algorithms on rainy images. The third challenge is the evaluation of the reliability of the density estimation results from a real sensor network. The emergence of sensor network data motivates the last problem, of estimating the urban degradation in the city using city images. These challenges define the scope of this thesis. For the first problem, we proposed an approach with cheap annotation cost for object detectors comparison and we applied it in a semi-supervised learning approach using surveillance images. To address challenge two, we established a protocol and performed an extensive benchmark of object detection preceded by de-raining methods. We find strong indicators that no current de-raining method can robustly improve the posterior object detection accuracy when applied in this naive way. The third issue was tackled by creating a probabilistic sensing model to establish theoretical bounds for the errors of the sensed distributions. The approach has been validated using simulation and applied to compute the pedestrian density map in Manhattan. To attack the last problem, we systematically collected public images of São Paulo and segmented the regions affected by tagging, as an indicator of the urban degradation of the region. The source code is fully released.
Título em português
Visão computacional aplicada a imagens urbanas em nível de chão sem restrições
Palavras-chave em português
Aprendizagem semi-supervisionada
Câmeras de monitoramento
Cidades inteligentes
Computação urbana
Detecção de objetos
Processamento de imagens
Redes de sensores.
Visão computacional
Resumo em português
Atualmente, as imagens são geradas em larga escala e de forma descentralizada. Essa modalidade de dados carrega informações valiosas, mas extrair essas informações nem sempre é trivial. Nesta tese, definimos e propomos soluções a desafios de visão computacional ao utilizar imagens no nível do solo. O primeiro desafio é a anotação de alto custo para avaliar métodos de detecção de objetos. No contexto da degradação da imagem imposta pelo clima, a segunda questão é a falta de análise que avalie o impacto dos métodos de chuvas nos algoritmos de detecção de objetos em imagens chuvosas. O terceiro desafio é a confiabilidade dos resultados da estimativa de densidade de uma rede real de sensores. O surgimento de dados da rede de sensores motiva o último problema, de estimar a degradação urbana na cidade usando imagens em nível de solo. Esses desafios definem o escopo desta tese. Para o primeiro problema, propusemos uma abordagem com menor custo de anotação para comparação de detectores de objetos e a aplicamos em uma abordagem de aprendizado semi-supervisionada usando imagens de vigilância. Para enfrentar o desafio dois, estabelecemos um protocolo e realizamos uma extensa referência de detecção de objetos quando precedidas por métodos de remoção de chuva. Encontramos fortes indicadores de que métodos atuais de remoção de chuva não podem melhorar de maneira robusta a precisão da posterior detecção de objetos quando aplicado dessa maneira direta. A terceira questão foi abordada através da criação de um modelo de detecção probabilística para estabelecer limites teóricos para os erros das distribuições detectadas. A abordagem foi validada usando simulação e aplicada para calcular o mapa de densidade de pedestres em Manhattan. Para atacar o último problema, coletamos sistematicamente imagens públicas de São Paulo e segmentamos as regiões afetadas, como indicadores da degradação urbana da região. O código fonte foi integralmente publicado.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
thesis_eric.pdf (15.84 Mbytes)
Data de Publicação
2021-01-21
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.