Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.59254/sbpo-2023-174938
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!A indústria de óleo e gás tem investido em tecnologias de inteligência artificial que sejam capazes de detectar automaticamente vazamentos de óleo no mar. No entanto, a identificação desses vazamentos é dificultada por outros fenômenos oceanográficos, conhecidos como look-alikes. Para contornar este problema, propomos um modelo de multiclassificação desenvolvido com base em uma rede neural convolucional para classificar alguns look-alikes e aumentar a precisão na detecção de óleo. O modelo foi treinado com o banco de dados TenGeoP – SARwv, composto por imagens do satélite Sentinel-1, com dez classes distintas de look-alikes. O modelo apresentou uma acurácia de cerca de 70% numa arquitetura que considera 10 classes distintas de look-alikes e de quase 80% quando foram usadas apenas sete destas classes. Ainda há oportunidades de ajuste para aumentar a precisão do modelo, de acordo com os valores da função perda.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo