Image Segmentation
Portuguese
English
Lelis-The-Man commited on
Commit
e7f2042
·
verified ·
1 Parent(s): 7eba880

Update README.md

Browse files
Files changed (1) hide show
  1. README.md +21 -0
README.md CHANGED
@@ -34,12 +34,33 @@ Motivos para usar o YOLOv8 ser um bom modelo para usarmos:
34
 
35
  ## Open Data
36
 
 
 
 
 
37
  ## Entradas
38
  - Imagens de satélite do Sentinel-2;
39
  - Informações de previsão meteorológica.
40
 
41
  ## Funcionamento do Modelo
42
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
43
  ## Saídas
44
  O modelo retornaria uma imagem contendo um 'mapa de calor', na qual as áreas com mais probabilidade de ocorrer o desastres teriam
45
  cores mais escuras.
 
34
 
35
  ## Open Data
36
 
37
+ Foi utilizado o Open Data do Satelite do Sentinel LC1 do Hugging Face, dentre os motivos:
38
+
39
+ - Não ocorreu a correção atmosférica, ou seja as imagens irão conter as nuvens (item principal da predição) sem transformação sob esses dados;
40
+
41
  ## Entradas
42
  - Imagens de satélite do Sentinel-2;
43
  - Informações de previsão meteorológica.
44
 
45
  ## Funcionamento do Modelo
46
 
47
+ Devido ao contexto se tratar de uma tarefa de segmentação semântica, e lembrando que está tarefa classifica pixel por pixel,
48
+ o modelo segmentaria as regiões decorridas da imagem e colocaria uma distribuição de probabilidade analogando com as previsões de chuva.
49
+
50
+ Portanto, com a saída de uma matriz com as probabilidades do pixel, será necessário analisar com dados meterológicos para poder ter maior precisão
51
+ da classificação da intensidade da chuva de tal região.
52
+
53
+ ### Funções:
54
+
55
+ Modelo de Segmentação Semântica:
56
+
57
+ - Recebe imagens do satélite e proporciona como saída distribuição de probabilidades diante da intensidade de chuva;
58
+
59
+ Comparação com dados metereológicos:
60
+
61
+ - Saída do modelo acima com a comparação de dados meterológicos para maior precisão da classificação da chuva diante de tal região, e assim avaliar
62
+ o risco de desastres no Rio Grande do Sul;
63
+
64
  ## Saídas
65
  O modelo retornaria uma imagem contendo um 'mapa de calor', na qual as áreas com mais probabilidade de ocorrer o desastres teriam
66
  cores mais escuras.