Aplicação de Self-Sampling para Segmentação de Árvores em Cenário de Rótulos Limitados

Este trabalho explora a aplicação de métodos de self-sampling usando modelos de Deep Learning no contexto de segmentação de instâncias de árvores por meio de imagens de sensoriamento remoto. O objetivo é desenvolver um método eficaz capaz de mapear diferentes espécies em áreas florestais com alta precisão, mesmo diante de um conjunto de dados inicial limitado. A abordagem proposta visa cobrir maiores áreas de floresta enquanto mantém a qualidade das instâncias segmentadas. A introdução dessas técnicas resultou em um aumento da cobertura de segmentação do modelo, de 4.4% para 23.7% da área de estudo, mantendo um F1-Score médio em patamares elevados, oscilando entre 60% e 45%.