@inproceedings{226662,

title = {Localiza\c{c}\~{a}o a\'{e}rea por descritores locais de imagem baseados em intelig\^{e}ncia artificial.},

author = {Bruno Dantas and Elcio Shiguemori and Lamartine Nogueira Frutuoso Guimar\~{a}es},

url = {https://www.sige.ita.br/edicoes-anteriores/2022/st/226662_1.pdf},

year  = {2022},

date = {2022-09-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2022 (SIGE2022)},

abstract = {Visando uma alternativa robusta ao sistema global de navega\c{c}\~{a}o por sat\'{e}lite(GNSS), foram propostas t\'{e}cnicas baseadas em redes neurais convolucionais para a tarefa de localiza\c{c}\~{a}o por imagens atrav\'{e}s da compara\c{c}\~{a}o entre cenas a\'{e}reas e satelitais. Por\'{e}m, a maioria dessas abordagens exige treinamento da rede antes de um novo voo. Assim, este trabalho comparou os descritores de imagens LOFTr, SuperGlue e D2NET, baseados em intelig\^{e}ncia artificial com os descritores: SIFT, ORB e AKAZE. Foram levantadas imagens de c\^{a}meras acopladas a aeronaves a 80 metros de altura e os descritores geraram pontos correspondentes ao mesmo local em imagens satelitais. Ap\'{o}s esse passo, foi estimada a homografia e selecionados os pontos comuns(hom\'{o}logos) utilizando o algoritmo RANSAC. Os descritores baseados em rede neural e mecanismo de aten\c{c}\~{a}o apresentaram um n\'{u}mero de pontos hom\'{o}logos muito superior aos descritores tradicionais, al\'{e}m de obter uma estimativa com erro m\'{e}dio inferior a um metro em rela\c{c}\~{a}o ao m\'{e}todo manual.},

keywords = {GE - Sensoriamento Remoto (Imageamento no Vis\'{i}vel e IR); GE - Sat\'{e}lites e Sistemas Espaciais; GE - Sistemas de Navega\c{c}\~{a}o GNSS e GPS; C2 - Intelig\^{e}ncia Artificial e Aprendizado de M\'{a}quina},

pubstate = {published},

tppubtype = {inproceedings}

}