Monitoramento remoto de áreas utilizando VANTs: uma abordagem baseada na Transferência do Aprendizado e Aprendizado Federado

• Mizael Pereira Gonçalves UFPI
• Allan M. de Souza UNICAMP
• José Rodrigues Torres Neto UFPI

DOI: https://doi.org/10.5753/courb.2025.9591

Resumo

O monitoramento remoto de terrenos com veículos aéreos não tripulados (VANTs) tem ganhado destaque em áreas como agricultura de precisão, mapeamento ambiental e gestão urbana, permitindo a coleta de dados em grande escala e em tempo real. Este trabalho realiza uma análise comparativa entre o aprendizado de máquina centralizado e federado, utilizando aprendizado por transferência na tarefa de classificação de imagens aéreas capturadas por VANTs. A arquitetura MobileNetV3Small foi empregada como base para o desenvolvimento de um modelo capaz de maximizar a eficiência computacional em dispositivos de borda com limitações de processamento e energia, enquanto o dataset EuroSAT RGB serviu como base de avaliação. No cenário federado, foi utilizada a técnica DEEV (Dispositivos, Eu Escolho Vocês) para reduzir a taxa de comunicação entre os dispositivos e o servidor central, promovendo maior economia de banda e preservação de privacidade. Os resultados indicam que o aprendizado federado, aliado ao transfer learning, pode atingir níveis de acurácia comparáveis ao aprendizado centralizado, com vantagens significativas em termos de consumo de energia e economia de comunicação, demonstrando sua viabilidade para aplicações de monitoramento distribuído.

Palavras-chave: Monitoramento Remoto, Veículo Aéreo não Tripulado, Aprendizado Federado, Aprendizado por Transferência

Referências

Bailon-Ruiz, R. and Lacroix, S. (2020). Wildfire remote sensing with UAVs: A review from the autonomy point of view. Pages 412–420.

Bengio, Y. (2012). Deep learning of representations for unsupervised and transfer learning. Volume 27, pages 17–36. PMLR.

Bichri, H., Chergui, A., and Mustapha, H. (2023). Image classification with transfer learning using a custom dataset: Comparative study. Procedia Computer Science, 220:48–54.

Dastour, H. and Hassan, Q. K. (2023). A comparison of deep transfer learning methods for land use and land cover classification. Sustainability, 15.

Gonçalves, A., Castro, A., Evilly, B., Leão, E., Neto, J. T., Silva, R., Filho, A. C., and Rabelo, R. (2024). Simulador de aplicações de inteligência artificial das coisas para monitoramento em tempo real. In Anais da XII Escola Regional de Computação do Ceará, Maranhão e Piauí, pages 159–168, Porto Alegre, RS, Brasil. SBC.

Hernandez-Sequeira, I., Fernandez-Beltran, R., and Pla, F. (2022). Transfer deep learning for remote sensing datasets: A comparison study. Pages 3207–3210.

Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., Le, Q. V., and Adam, H. (2019). Searching for MobileNetV3. CoRR, abs/1905.02244.

Hu, F., Xia, G.-S., Hu, J., and Zhang, L. (2015). Transferring deep convolutional neural networks for the scene classification of high-resolution remote sensing imagery. Remote Sensing, 7:14680–14707.

McMahan, B., Moore, E., Ramage, D., Hampson, S., and Arcas, B. A. y. (2017). Communication-efficient learning of deep networks from decentralized data. Volume 54, pages 1273–1282. PMLR.

Naushad, R., Kaur, T., and Ghaderpour, E. (2021). Deep transfer learning for land use and land cover classification: A comparative study. Sensors, 21.

Neto, J. R., Boukerche, A., Yokoyama, R. S., Guidoni, D. L., Meneguette, R. I., Ueyama, J., and Villas, L. A. (2017). Performance evaluation of unmanned aerial vehicles in automatic power meter readings. Ad Hoc Networks, 60:11–25.

Osco, L. P., Junior, J. M., Ramos, A. P. M., de Castro Jorge, L. A., Fatholahi, S. N., de Andrade Silva, J., Matsubara, E. T., Pistori, H., Gonçalves, W. N., and Li, J. (2021). A review on deep learning in UAV remote sensing. International Journal of Applied Earth Observation and Geoinformation, 102:102456.

Souza, A., Bittencourt, L., Cerqueira, E., Loureiro, A., and Villas, L. (2023). Dispositivos, eu escolho vocês: Seleção de clientes adaptativa para comunicação eficiente em aprendizado federado. Pages 1–14. SBC.

Yin, X., Chen, W., Wu, X., and Yue, H. (2017). Fine-tuning and visualization of convolutional neural networks. Pages 1310–1315.

Yosinski, J., Clune, J., Bengio, Y., and Lipson, H. (2014). How transferable are features in deep neural networks?

Zou, Q., Ni, L., Zhang, T., and Wang, Q. (2015). Deep learning based feature selection for remote sensing scene classification. IEEE Geoscience and Remote Sensing Letters, 12:2321–2325.