EVENTO
Segmentação Semântica Semi-Supervisionada Robusta para Mapeamento de Cobertura e uso do solo
Tipo de evento: Exame de Qualificação
Esta proposta de doutorado investiga o problema de segmentação semântica semi-supervisionada de imagens de satélite para geração de mapas de Cobertura e Uso do Solo (Land Use and Land Cover LULC), com aplicação em preservação ambiental. A pesquisa está sendo desenvolvida em parceria com o Instituto Chico Mendes de Conservação da Biodiversidade (ICMBio). O contexto é caracterizado pela ampla disponibilidade de imagens de satélite não anotadas e pela limitação de dados rotulados de alta qualidade, tornando o aprendizado semi-supervisionado uma abordagem promissora [1-3]. Embora métodos como UniMatch V2, AllSpark e SemiVL definam o estado da arte em benchmarks genéricos de visão computacional frequentemente ancorados no vasto poder de generalização de Foundation Models e encoders baseados em Vision Transformers (ViTs) sua transposição para o mapeamento de LULC evidencia limitações estruturais distintas. Notadamente, observa-se o desbalanceamento de classes e a degradação em zonas de transição, onde a similaridade interclasse e a complexidade espectral comprometem a precisão das delimitações. Ademais, o regime iterativo de auto rotulagem permanece suscetível à propagação de pseudo-rótulos ruidosos e ao viés de confirmação (confirmation bias), o que resulta na amplificação de erros ao longo do treinamento. Neste contexto, esta pesquisa postula que a hibridização dessas arquiteturas com técnicas tradicionais de processamento de imagem/sinais e aprendizado de máquina pode atuar como mecanismo de regularização estrutural. Adicionalmente, argumenta-se que a compreensão da organização espacial, continuidade das regiões e a fusão de dados (como Near-Infrared e/ou Digital Surface Models) podem aprimorar a qualidade das predições, especialmente em áreas de transição de classes [4-8]. Para investigar essas hipóteses, a pesquisa propõe o desenvolvimento de um pipeline metodológico unificado, estruturado em três eixos projetados para extrair representações espaciais robustas, calibrar a confiança do modelo e otimizar o fluxo de aprendizado. Esta arquitetura compreende: www.mcti.gov.br | www.lncc.br (I) Estrutura da janela de percepção: integração de métodos que analisam diferentes facetas espaciais dentro do campo de visão da arquitetura. Esta etapa combina Conditional Random Fields (CRF) totalmente conectados, que exercem influência global nas relações contextuais da imagem; Neural Cellular Automata (NCAs), que aplicam regras de transição locais para distinção semântica em grades bidimensionais; e Superpixel Segmentation, visando capturar estruturas espaciais coerentes superiores as limitações retangulares das abordagens convolucionais típicas; (II) Uncertainty Quantification: incorporação de mecanismos probabilísticos para calibrar a confiança das predições. Essa métrica será utilizada ativamente para guiar o pipeline de treinamento, restringindo a propagação de pseudo-rótulos às regiões de maior estabilidade semântica e mitigando significativamente o viés de confirmação; (III) Formulação de funções de perda adaptativas: objetivando não a simples soma de penalidades supervisionadas e não-supervisionadas, neste arcabouço as funções de perda atuarão como orquestradoras da arquitetura, sintetizando matematicamente a utilidade dos eixos (I) e (II) junto a abordagens tradicionais como Cross-Entropy e Consistency Regularization. Esses componentes serão investigados como formas de enriquecer a propagação de informação no pipeline e aprimorar a qualidade dos pseudo-rótulos, condicionando o processo de auto-rotulagem à coerência espacial e à confiabilidade preditiva [9-12]. A validação experimental será conduzida tanto em conjuntos de dados consolidados na literatura, como Potsdam e LoveDA, quanto em um novo dataset anotado manualmente para uma unidade de conservação (APA Petrópolis). Isso permitirá avaliar não apenas ganhos em métricas globais, como mIoU, mas também melhorias específicas por classe e aderência às necessidades práticas do monitoramento ambiental em larga escala [13,14]. Evento HíbridoLocal: Auditório LNCCLink de transmissão: meet.google.com/xxd-zfbq-fpi
Data Início: 28/09/2026 Hora: 09:00 Data Fim: 28/09/2026 Hora: 12:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Auditorio B
Aluno: Pascoassis Souza Santos Meira - - LNCC
Orientador: Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC Rafael Duarte Coelho dos Santos - INPE - INPE
Participante Banca Examinadora: José Marcato Junior - Universidade Federal de Mato Grosso do Sul - UFMS Renato Portugal - Laboratório Nacional de Computação Científica - LNCC Roberto Pinto Souto - Laboratório Nacional de Computação Científica - LNCC
Suplente Banca Examinadora: Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC
