@MASTERSTHESIS{ 2020:337823281,
 	title = {Segmenta??o sem?ntica de ?reas desmatadas utilizando Redes Neurais Convolucionais no sul da Amaz?nia Legal},
 	year = {2020},
 	url = "https://tede.ufam.edu.br/handle/tede/8028",
 	abstract = "Neste trabalho propomos a utiliza??o de redes neurais convolucionais para segmenta??o de
 ?reas desmatadas na regi?o do sul da Amaz?nia Legal em imagens de sat?lite Landsat-8.
 Para realiza??o deste trabalho foi constru?do um banco de imagens mosaico, composto por
 amostras de ?reas desmatadas e ?reas de floresta extra?das das imagens de sat?lite Landsat-
 8, identificando as ?reas desmatadas atrav?s da utiliza??o dos dados de desmatamento do
 projeto PRODES do INPE. As arquiteturas de redes convolucionais utilizadas foram as
 propostas no trabalho de Serr?o et al. (2020) e de Miyagawa et al. (2018). O treinamento das
 redes foi realizado com 32 ?pocas utilizando m?todos de otimiza??o SGDM, RMSProp e
 ADAM e os m?todos de regulariza??o L2 e Dropout. Combinando as tr?s arquiteturas com
 esses m?todos, totalizaram 36 simula??es. Para avaliar o desempenho das arquiteturas para
 segmenta??o das ?reas desmatadas, permitindo uma compara??o entre os modelos, foi
 escolhida a m?trica acur?cia. Ap?s a avalia??o do desempenho dos modelos no conjunto de
 valida??o, seis deles foram selecionados para serem avaliados com o conjunto de teste. O
 modelo que apresentou o melhor resultado, uma acur?cia de 99.97%, foi o que utilizou a
 seguinte combina??o: CNN2 + RMSProp + Dropout. O resultado deste trabalho foi comparado
 com os resultados dos trabalhos de Ortega et al. (2019), Adarme et al. (2020) e De Bem et al.
 (2020) tendo obtido resultados superiores ?queles obtidos por esses autores. Os resultados
 mostraram que as redes neurais convolucionais s?o capazes de realizar com alto
 desempenho a tarefa de segmenta??o de ?reas desmatadas",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Engenharia El?trica},
 	note = {Faculdade de Tecnologia}
}