???jsp.display-item.social.title??? |
![]() ![]() |
Please use this identifier to cite or link to this item:
https://tede.ufam.edu.br/handle/tede/10243
???metadata.dc.type???: | Dissertação |
Title: | Utilizando redes neurais convolucionais siamesas para filtragem de imagens vazias em dados de armadilhas fotográficas |
???metadata.dc.creator???: | Alencar, Luiz Fabio Bailosa de ![]() |
???metadata.dc.contributor.advisor1???: | Santos, Eulanda Miranda dos |
???metadata.dc.contributor.referee1???: | Oliveira, Luiz Eduardo Soares de |
???metadata.dc.contributor.referee2???: | Colonna, Juan Gabriel |
???metadata.dc.description.resumo???: | As câmeras de armadilhas fotográficas são usadas para monitorar a vida selvagem de forma não invasiva através de tarefas como análise populacional de espécies e estudo do comportamento animal ao longo das estações do ano. No entanto, como as imagens são capturadas quando os sensores da câmera detectam movimento, muitas imagens sem animais são capturadas devido ao acionamento dos sensores por outros elementos, como árvores e folhas. Isso resulta em um acúmulo de imagens vazias que ocupam espaço na memória dos equipamentos e consomem largura de banda e energia da rede. Para resolver esse problema, é necessário utilizar métodos que permitam filtrar imagens vazias. No entanto, essa tarefa apresenta desafios, como a variação da vegetação entre diferentes locais, ao longo do dia e das estações do ano. Nesse contexto, o objetivo deste trabalho é desenvolver uma abordagem para filtragem de imagens vazias capturadas por câmeras de armadilhas fotográficas que leve em consideração o ambiente no qual as câmeras estão instaladas. A abordagem proposta é baseada em uma rede neural convolucional siamesa que recebe duas imagens de entrada: 1) uma imagem sem animais que apresenta as características da vegetação local e o nível aproximado de iluminação do dia; e 2) uma imagem capturada a partir do acionamento da câmera que será verificada quanto à presença ou não de animais na cena. Ao processar as duas imagens, a rede siamesa identifica as diferenças semânticas entre ambas para determinar a existência ou não de animais na imagem capturada. Os resultados obtidos nos experimentos mostram que a abordagem siamesa obteve precisão e acurácia superiores aos resultados obtidos por modelos de classificação que recebem apenas uma imagem por vez, como redes de convolução. |
Abstract: | Camera trap images are used to non-invasive wildlife monitoring through tasks such as species population analysis and studying animal behavior throughout the seasons. However, since the images are obtained when the camera’s motion sensors are triggered, several images without animals are captured due to the fact that the motion sensors are triggered by other elements, such as trees and leaves. This results in an accumulation of empty images that use memory space and consume bandwidth and network energy. To solve this problem, it is necessary to use methods that allow filtering empty images. However, this a challenging task due to several characteristics, such as the variation of vegetation between different locations and throughout the day and the seasons. In this context, the objective of this work is to present an approach to filter empty images captured by camera trap devices which takes into account information of the environment surrounding the camera. The proposed approach is based on a Siamese convolutional neural network that works with two input images: 1) an image without animals that presents the characteristics of the local vegetation and the approximate level of daylight; and 2) an image captured as usual due to the motion sensor triggering, which will be checked to determine whether or not there are animals in the scene. When processing the two images, the Siamese network identifies the semantic differences between them so as to identify the presence of animals in the captured image. The obtained results indicate that the Siamese approach reached superior precision and accuracy rates when compared to models that deal with only one image at a time, such as canonical convolutional neural networks. |
Keywords: | . . . |
???metadata.dc.subject.cnpq???: | CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO |
???metadata.dc.subject.user???: | Armadilhas fotográficas Redes siamesas Imagens vazias Rede neurais artificiais |
Language: | por |
???metadata.dc.publisher.country???: | Brasil |
Publisher: | Universidade Federal do Amazonas |
???metadata.dc.publisher.initials???: | UFAM |
???metadata.dc.publisher.department???: | Instituto de Computação |
???metadata.dc.publisher.program???: | Programa de Pós-graduação em Informática |
Citation: | ALENCAR, Luiz Fabio Bailosa de. Utilizando redes neurais convolucionais siamesas para filtragem de imagens vazias em dados de armadilhas fotográficas. 2024. 68 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus (AM), 2024. |
???metadata.dc.rights???: | Acesso Aberto |
???metadata.dc.rights.uri???: | https://creativecommons.org/licenses/by-nc-nd/4.0/ |
URI: | https://tede.ufam.edu.br/handle/tede/10243 |
Issue Date: | 29-Feb-2024 |
Appears in Collections: | Mestrado em Informática |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
DISS_LuizAlencar_PPGI | 13.92 MB | Adobe PDF | ![]() Download/Open Preview |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.