New approaches and tools for ship detection in optical satellite imagery

• Autor: Avila Cordova, Aaron Walter
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/14020
• Enlace del recurso: http://hdl.handle.net/20.500.12773/14020
• Nivel de acceso: acceso abierto
• Materia: Annotation tool; Dataset; Deep learning; Remote sensing; Ship detection; https://purl.org/pe-repo/ocde/ford#2.02.04

La detección de barcos usando imágenes satelitales ópticas es una tarea muy importante para el campo de la seguridad marítima, ya sea en la búsqueda de embarcaciones perdidas o en el control marítimo de tipo comercial o militar. A esto se suman los avances en el campo de visión por computador, especialmente en el uso de modelos basados en inteligencia artificial, los cuales, permiten construir sistemas de detección robustos y más precisos. Sin embargo, los escenarios geográficos, propios de una imagen satelital, limitan el desarrollo de este tipo de sistemas ya que requieren de la disponibilidad de un gran número de imágenes en diferentes escenarios. En el presente trabajo se propone un nuevo enfoque para la Detección de Barcos uti- lizando dos nuevos conjuntos de datos etiquetados con cuadros delimitadores horizontales. Así mismo, se presenta una nueva herramienta de etiquetado (DATATOOL) que permite una mejor organización y distribución de los datos. Los nuevos conjuntos de datos, Peruvian Ship Dataset (PSDS) y Mini Ship Dataset (MSDS), han sido generados a partir de imágenes satelitales óp- ticas obtenidas de diferentes fuentes. El PSDS se crea a partir de 22 imágenes satelitales del PERUSAT-1 cuya resolución espacial es de 0.7m. Mientras que el MSDS ha sido generado uti- lizando imágenes satelitales provenientes de Google Earth dando un total de 1006 imágenes de 900x900 pixels. Las embarcaciones se encuentran tanto en el mar como en la costa. Finalmente se presentan los resultados de las pruebas utilizando algoritmos de aprendizaje profundo como YOLOv4 y YOLT, siguiendo el enfoque y las herramientas propuestas.