Workshop: Novos Métodos em Processamento e Classificação de Imagens Digitais em Sensoriamento Remoto ( New Approaches to

Remote Sensing Digital Image Processing and Classification)

Coordenadores: Carlos Vieira (UFV) e Vitor Haertel (UFRGS)

Neste workshop serão tratados três tópicos principais: (1) novos paradigmas de aprendizado: aprendizado multi-tarefa, aprendizado ativo,
aprendizado semi-supervisionado e aprendizado multiforme, (2) propagação da incerteza em dados espacialmente distribuídos, e (3)
rudução ddos requerimentos de dados de campo para a classificação supervisionada de imagens. No primeiro tópico serão revistos alguns
dos novos paradigmas referentes à problemas de adaptação à novos ambientes: aprendizado de transferencia, aprendizado multitarefa,
aprendizado ativo, aprendizado semi-supervisionado e aprendizado multiforme O segundo tópico aborda a análise da propagação da
incerteza em dados espacialmente distribuídos, tanto do ponto de vista teórico como do aplicado, apresentando e discutindo as várias
técnicas de propagação da incerteza. Neste processo será dada ênfase aos métodos de simulação do tipo Monte Carlo. Estas técnicas serão
ilustradas com exemplos relativos à contaminação ambiental e à propagação de incertezas em modelos digitais de elevação (DEM) na
correção geométrica de imagens hiper-espectrais. O terceiro tópico apresentará alternativas para reduzir a quantidade de dados de campos
para a classificação precisa de dados do sensoriamento remoto. Será dada uma atenção especial para a classificação utilizando SVM
(Support Vector Machines) e a derivação de informações sobre a cobertura da superfície terrestre a partir do sensoriamento remoto orbital.

This workshop will be focused on three main topics: (1) new learning paradigms concerned with the problems of adaptation to changing
environments: transfer learning, multitask learning, active learning, semi-supervised learning and manifold learning, (2) spatial uncertainty
propagation analysis, and (3) reducing the ground data requirements for supervised image classification. The first topic will revise some
new learning paradigms concerned with the problems of adaptation to changing environments: transfer learning, multitask learning, active
learning, semisupervised learning and manifold learning. The methods will be analyzed under the perspective of the special characteristics
of remote sensing images. Examples of their potential use in remote sensing data classification and model inversion will be given. The
second topic deals with the theory and practice of spatial uncertainty propagation analysis, presenting and discussing the various
uncertainty propagation techniques. The emphasis is on Monte Carlo simulation methods. The techniques will be illustrated with examples
on environmental contamination and on propagation of DEM uncertainty in the geometric correction of hyperspectral imagery. The third
topic will consider means to reduce the ground data requirements for accurate classification of remotely sensed data. It will focus
especially on classification by support vector machines (SVM) and the derivation of specific land cover information from remote sensing.

Hora Título Apresentador

9:00 Abertura Carlos Vieira (UFV) e Vitor Haertel (UFRGS)

9:10 New machine learning paradigms for remote sensing data analysis José Luis Rojo Álvarez (Universidad Rey Juan
Carlos, Espanha)

10:00 Spatial Uncertainty Propagation Analysis Gerard B.M. Heuvelink (Wageningen University,
Holanda)

10:50 Reducing the ground data requirements for supervised image classification Giles Foody (The University of Nottingham,
Inglaterra)

11:40 Discussões

12:00 Encerramento