TRABALHOS PUBLICADOS
2025 |
AIN’T - An Artificial Intelligent Network Thermometer for Measurements of Link Saturation on TCP/IP Flows Proceedings Article Silva, Marcelo R.; Marcondes, Cesar @inproceedings{Silva2025AintAn,The transmission capacity of data links is crucial for network administrators. This measure is particularly significant in operational environments where maintaining communication continuity is vital. However, the principal strategy of the most widely used tools or protocols for this purpose consists of inserting extra packets into the network and throttling its transmission capacity. Such an active strategy has the potential, even momentarily, to produce packet losses in combat support applications (SAD, for example) and crash communications on the network under analysis. Seeking to avoid network overload while measuring its saturation, this work proposes AIN’T (Artificial Intelligent Network Thermometer). AIN’T measures the level of congestion on the data link passively without inserting any data packets into the respective infrastructure. To this end, it applies MLP, LSTM, and CNN Deep Learning Networks. The results show that the models extracted from these neural network architectures can distinguish between high and low-level link saturation in an IP data network with over 99% precision. |
Automatic Detection of Airstrips in the Amazon Using ICEYE SAR Imagery and U-Net Neural Networks Proceedings Article de Queiroz Stabile, Gustavo Henrique; Alves, Dimas Irion; Kuck, Tahisa Neitzel; Silva, Paulo Ricardo Branco; Javadi, Saleh @inproceedings{Stabile2025AutomaticDetection,This study investigates convolutional neural networks, specifically the U-Net architecture, for the automated detection of irregular airstrips in the Amazon rainforest using Synthetic Aperture Radar (SAR) imagery from ICEYE satellites operating in the X-band. Detecting these airstrips is strategic for combating illicit activities and protecting the environment. SAR imagery is particularly effective in the Amazon, as it can penetrate cloud coverage, which is common in the region. A comprehensive pipeline was developed for data preparation, model training, and evaluation, utilizing the airstrips cataloged by the MapBiomas project for reference. Experiments were conducted by varying both the size of the input images and the balance of the training dataset. Results indicated that even with a limited number of images, the U-Net architecture can generate consistent outcomes. The study supports the development of operational solutions for the automated monitoring of irregular airstrips in the Amazon region. |
Classificação de áreas de garimpo ilegal na Amazônia com algoritmos de visão computacional Proceedings Article Silva, Daniel Martins Monteiro; Alves, Dimas Irion; de Carvalho Leite, Sarah Negreiros @inproceedings{Silva2025ClassificacaoGarimpo,A atividade de garimpo ilegal na Amazônia tem crescido exponencialmente nos últimos anos, aumentando proporcionalmente o número de áreas e a quantidade de dados que os órgãos de controle ambiental precisam analisar. Aliado a esses fatos, o monitoramento satelital sofre com longos intervalos de revisita e condições meteorológicas desfavoráveis, como a cobertura de nuvens persistente sobre a floresta. Para mitigar essas limitações, o emprego de veículos aéreos, como drones e aeronaves, equipados com sensores ópticos permite a aquisição de imagens de alta resolução. Diante do grande volume de dados, algoritmos de visão computacional despontam como instrumentos eficientes para classificar automaticamente essas áreas. Este estudo implementa e compara dois modelos de diferentes complexidades computacionais – MobileNetV2 e EfficientNetV2-S – na classificação de cenas aéreas da Amazônia. Os resultados indicam que a MobileNetV2 apresentou o melhor desempenho com acurácia de cerca de 98% na identificação de imagens com garimpo versus sem garimpo. |
2021 |
Classificação de Alvos em Imagens SAR com Técnicas de Machine Learning Proceedings Article Silva, Fabiano Gabriel; Palm, Bruna Gregory; Machado, Renato @inproceedings{Fabiano2021Deepb,Atividades marítimas que vão desde o transporte de mercadorias até a produção de petróleo e gás natural são cada vez mais presentes em águas brasileiras. O monitoramento dessas atividades é de fundamental importância para coibir aç˜oes ilícitas ou ilegais. O aumento da disponibilidade de dados de sensoriamento remoto permite que imagens de radar de abertura sintética (SAR - Synthetic Aperture Radar) possam ser explora- das na vigilância marítima. Este trabalho considera o problema de classificação de plataformas de petróleo e navios localizados no litoral dos estados do Rio de Janeiro e Espírito Santo. Para o estudo, utilizaram-se imagens SAR com polarização VH. Duas técnicas de machine learning foram avaliadas, a saber, Random Forest e K-nearest neighbors, com as quais pode-se obter taxas de acurácia de 81,8% e 79,2%, respectivamente. |