Aprendizagem profunda para análise da ocupação do espaço público avaliando a presença de modais de trânsito

Autores

DOI:

https://doi.org/10.46421/sbtic.v4i00.2617

Palavras-chave:

Detecção de Objetos, Redes Neurais Convulsionais, Máscara-CNN, análise urbana, Aprendizado profundo

Resumo

No campo da Arquitetura, Engenharia e Construção (AEC), o Machine Learning (ML) tem sido usado em aplicações como design generativo, análises de desempenho e reconhecimento de imagens, entre outros. Neste contexto, o objetivo deste trabalho foi verificar a aplicação de Deep Learning (DL) por meio de Convolutional Neural Networks (CNNs) para Object Detection (Detecção de Objetos). O objetivo do código de DL neste trabalho foi quantificar a presença de diferentes modais de trânsito em determinada área urbana para subsidiar a análise de ocupação do espaço público. O código Detectron/Mask R-CNN de detecção de instâncias em imagens associado ao dataset COCO foi capaz de identificar padrões de ocupação do espaço urbano coerentes com o contexto existente na rua de uso misto, comercial e residencial, com lazer noturno. O padrão dá destaque aos modais de trânsito, carro e pedestres. Foram listadas considerações, que podem auxiliar futuros trabalhos acerca da detecção de instâncias em imagens de câmeras urbanas com o código e dataset empregados.

Downloads

Não há dados estatísticos.

Biografia do Autor

Sofia Puppin Rontani, Universidade Estadual de Campinas

Mestrado em Arquitetura, Tecnologia e Cidade pela Universidade Estadual de Campinas (Campinas - SP, Brasil). Doutoranda em Tecnologia pela Universidade Estadual de Campinas (Limeira - SP, Brasil).

 

Caroline Kehl, Universidade Estadual de Campinas

Mestrado em Engenharia Civil pela Universidade Federal do Rio Grande do Sul. Doutoranda no Programa de Arquitetura, Tecnologia e Cidade da Universidade Estadual de Campinas (Campinas - SP, Brasil).

Regina Coeli Ruschel, Universidade Estadual de Campinas

Doutorado em Engenharia Elétrica e da Computação pela Universidade Estadual de Campinas. Professora e pesquisadora colaboradora na Universidade Estadual de Campinas (Campinas - SP, Brasil).

Eloisa Dezen-Kempter, Universidade Estadual de Campinas

Doutorado em História na Universidade Estadual de Campinas. Professora Associada na Faculdade de Tecnologia da Universidade Estadual de Campinas (Limeira - SP, Brasil)

Referências

ALPAYDIN, Ethem. Machine Learning. MIT Press, 2016.

ANDRADE, Fábio Felippe de. O método de melhorias PDCA. 2003. Dissertação de Mestrado. Universidade de São Paulo.

ARNOLD, Ludovic et al. An Introduction to Deep Learning. In: European Symposium on Artificial Neural Networks (ESANN). ESANN, 2011, Bruges, Belgium.

CARRARA, Fabio et al. Adversarial image detection in deep neural networks. Multimedia Tools and Applications, v. 78, n. 3, p. 2815-2835, 2019. https://doi.org/10.1007/s11042-018-5853-4

GAO, Lianli et al. Unsupervised urban scene segmentation via domain adaptation. Neurocomputing, v. 406, p. 295-301, 2020.

GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep learning. MIT press, 2016.

HALDAR, Malay et al. Applying deep learning to airbnb search. In: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2019. p. 1927-1935. https://doi.org/10.1145/3292500.3330658

HE, K.; Gkioxari, G.; Dollár, P.; Girshick, R. Mask R-CNN. In: Proceedings of the IEEE international conference on computer vision. 2017. p. 2961-2969.

JI, Shunping et al. Building instance change detection from large-scale aerial images using convolutional neural networks and simulated samples. Remote Sensing, v. 11, n. 11, p. 1343, 2019.

KANG, Jian et al. Building instance classification using street view images. ISPRS journal of photogrammetry and remote sensing, v. 145, p. 44-59, 2018.

LATEEF, Fahad; RUICHEK, Yassine. Survey on semantic segmentation using deep learning techniques. Neurocomputing, v. 338, p. 321-348, 2019.

LIN, Tsung-Yi et al. Microsoft coco: Common objects in context. In: European conference on computer vision. Springer, Cham, 2014. p. 740-755. https://doi.org/10.1007/978-3-319-10602-1_48

LOU, Lu et al. Detecting and counting the moving vehicles using mask R-CNN. In: 2019 IEEE 8th Data Driven Control and Learning Systems Conference (DDCLS). IEEE, 2019. p. 987-992.

SHAWAHNA, Ahmad; SAIT, Sadiq M.; EL-MALEH, Aiman. FPGA-based accelerators of deep learning networks for learning and classification: A review. IEEE Access, v. 7, p. 7823-7859, 2018. doi: 10.1109/ACCESS.2018.2890150.

ZHAO, Wenzhi et al. Exploring semantic elements for urban scene recognition: Deep integration of high-resolution imagery and OpenStreetMap (OSM). ISPRS Journal of Photogrammetry and Remote Sensing, v. 151, p. 237-250, 2019.

Downloads

Publicado

2023-10-29

Como Citar

RONTANI, Sofia Puppin; KEHL, Caroline; RUSCHEL, Regina Coeli; DEZEN-KEMPTER, Eloisa. Aprendizagem profunda para análise da ocupação do espaço público avaliando a presença de modais de trânsito. In: SIMPÓSIO BRASILEIRO DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO NA CONSTRUÇÃO, 4., 2023. Anais [...]. Porto Alegre: ANTAC, 2023. p. 1–9. DOI: 10.46421/sbtic.v4i00.2617. Disponível em: https://eventos.antac.org.br/index.php/sbtic/article/view/2617. Acesso em: 4 nov. 2024.

Edição

Seção

Indústria 4.0 e 5.0 no projeto e operação de empreemdimentos

Artigos mais lidos pelo mesmo(s) autor(es)

1 2 > >> 

Artigos Semelhantes

1 2 3 4 5 6 7 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.