Defesa digital: repositório de publicações de Defesa ibero-americanas

Español
Português

Está en:  › Datos de registro

Image Classification Using Thermal and Visible Sensor Fusion

Identificadores del recurso

https://spectrum.ita.br/index.php/spectrum/article/view/396

10.55972/spectrum.v24i1.396

Procedencia

(Spectrum)

Ficha

Título:: Image Classification Using Thermal and Visible Sensor Fusion; Classificação de Imagens Utilizando Fusão de Sensores Termal e Visível
Tema:: Sensoriamento remoto; Infravermelho; Reconhecimento de padrões; Remote sensing; Infra-red; Pattern recognition
Descripción:: Using a camera with a dual sensor (visible and thermal), this work assesses the change in overall accuracy for four classes of interest using different channel compositions in the analyzed images. The RGB and RGBI compositions (RGB plus infrared channel) are tested. The results are compared using the k-nearest neighbors (k-NN) and support vector machine (SVM) algorithms. The experimental results indicate that the use of the RGBI composition increases the classification accuracy by 9.7% in k-NN, and 1.9% in SVM.; Utilizando uma câmera com sensor duplo (visível e termal), este trabalho avalia a alteração na exatidão global de quatro classes de interesse utilizando-se diferentes composições de canais nas imagens analisadas. São testadas as composições RGB e RGBI (composição RGB mais canal infravermelho). Os resultados são comparados utilizando os algoritmos k vizinhos mais próximos (k-NN) e máquina de vetores de suporte (SVM). Os resultados experimentais indicam que o uso da composição RGBI aumenta a acurácia na classificação em 9,7%, no k-NN, e 1,9% no SVM.
Fuente:: Operational Applications in Defense Areas; Vol. 24 No. 1 (2023): Operational Applications in Defense Areas; 34-39; Spectrum:Aplicações Operacionais em Áreas de Defesa; v. 24 n. 1 (2023): Aplicações Operacionais em Áreas de Defesa; 34-39; 2764-2658; 1981-4291
Idioma:: Portuguese
Relación:: https://spectrum.ita.br/index.php/spectrum/article/view/396/283
Autor/Productor:: Avilez Fiedler, Raoni; Bernardo Lovato Eick, Francisco
Editor:: Instituto de Aplicações Operacionais (IAOp), por delegação do Comando de Preparo
Derechos:: Copyright (c) 2023 Fiedler, Eick; https://creativecommons.org/licenses/by-nc-sa/4.0
Fecha:: 2023-09-22
Tipo de recurso:: info:eu-repo/semantics/article; info:eu-repo/semantics/publishedVersion; Avaliado pelos pares
Formato:: application/pdf

oai_dc

Descargar XML

<?xml version="1.0" encoding="UTF-8" ?>

< oai_dc:dc schemaLocation =" http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd " >
1. < dc:title lang =" en-US " > Image Classification Using Thermal and Visible Sensor Fusion </ dc:title >
2. < dc:title lang =" pt-BR " > Classificação de Imagens Utilizando Fusão de Sensores Termal e Visível </ dc:title >
3. < dc:creator > Avilez Fiedler, Raoni </ dc:creator >
4. < dc:creator > Bernardo Lovato Eick, Francisco </ dc:creator >
5. < dc:subject lang =" pt-BR " > Sensoriamento remoto </ dc:subject >
6. < dc:subject lang =" pt-BR " > Infravermelho </ dc:subject >
7. < dc:subject lang =" pt-BR " > Reconhecimento de padrões </ dc:subject >
8. < dc:subject lang =" en-US " > Remote sensing </ dc:subject >
9. < dc:subject lang =" en-US " > Infra-red </ dc:subject >
10. < dc:subject lang =" en-US " > Pattern recognition </ dc:subject >
11. < dc:description lang =" en-US " > Using a camera with a dual sensor (visible and thermal), this work assesses the change in overall accuracy for four classes of interest using different channel compositions in the analyzed images. The RGB and RGBI compositions (RGB plus infrared channel) are tested. The results are compared using the k-nearest neighbors (k-NN) and support vector machine (SVM) algorithms. The experimental results indicate that the use of the RGBI composition increases the classification accuracy by 9.7% in k-NN, and 1.9% in SVM. </ dc:description >
12. < dc:description lang =" pt-BR " > Utilizando uma câmera com sensor duplo (visível e termal), este trabalho avalia a alteração na exatidão global de quatro classes de interesse utilizando-se diferentes composições de canais nas imagens analisadas. São testadas as composições RGB e RGBI (composição RGB mais canal infravermelho). Os resultados são comparados utilizando os algoritmos k vizinhos mais próximos (k-NN) e máquina de vetores de suporte (SVM). Os resultados experimentais indicam que o uso da composição RGBI aumenta a acurácia na classificação em 9,7%, no k-NN, e 1,9% no SVM. </ dc:description >
13. < dc:publisher lang =" pt-BR " > Instituto de Aplicações Operacionais (IAOp), por delegação do Comando de Preparo </ dc:publisher >
14. < dc:date > 2023-09-22 </ dc:date >
15. < dc:type > info:eu-repo/semantics/article </ dc:type >
16. < dc:type > info:eu-repo/semantics/publishedVersion </ dc:type >
17. < dc:type lang =" pt-BR " > Avaliado pelos pares </ dc:type >
18. < dc:format > application/pdf </ dc:format >
19. < dc:identifier > https://spectrum.ita.br/index.php/spectrum/article/view/396 </ dc:identifier >
20. < dc:identifier > 10.55972/spectrum.v24i1.396 </ dc:identifier >
21. < dc:source lang =" en-US " > Operational Applications in Defense Areas; Vol. 24 No. 1 (2023): Operational Applications in Defense Areas; 34-39 </ dc:source >
22. < dc:source lang =" pt-BR " > Spectrum:Aplicações Operacionais em Áreas de Defesa; v. 24 n. 1 (2023): Aplicações Operacionais em Áreas de Defesa; 34-39 </ dc:source >
23. < dc:source > 2764-2658 </ dc:source >
24. < dc:source > 1981-4291 </ dc:source >
25. < dc:language > por </ dc:language >
26. < dc:relation > https://spectrum.ita.br/index.php/spectrum/article/view/396/283 </ dc:relation >
27. < dc:rights lang =" pt-BR " > Copyright (c) 2023 Fiedler, Eick </ dc:rights >
28. < dc:rights lang =" pt-BR " > https://creativecommons.org/licenses/by-nc-sa/4.0 </ dc:rights >
</ oai_dc:dc >

marcxml

Descargar XML

<?xml version="1.0" encoding="UTF-8" ?>

< record schemaLocation =" http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd " >
1. < leader > nmb a2200000Iu 4500 </ leader >
2. < controlfield tag =" 008 " > "230922 2023 eng " </ controlfield >
3. < datafield ind1 =" # " ind2 =" # " tag =" 022 " >
  1. < subfield code =" $a " > 2764-2658 </ subfield >
  </ datafield >
4. < datafield ind1 =" # " ind2 =" # " tag =" 022 " >
  1. < subfield code =" $a " > 1981-4291 </ subfield >
  </ datafield >
5. < datafield ind1 =" " ind2 =" " tag =" 042 " >
  1. < subfield code =" a " > dc </ subfield >
  </ datafield >
6. < datafield ind1 =" 0 " ind2 =" 0 " tag =" 245 " >
  1. < subfield code =" a " > Classificação de Imagens Utilizando Fusão de Sensores Termal e Visível </ subfield >
  </ datafield >
7. < datafield ind1 =" 1 " ind2 =" " tag =" 720 " >
  1. < subfield code =" a " > Avilez Fiedler, Raoni </ subfield >
  2. < subfield code =" u " > Instituto de Aplicações Operacionais (IAOP) </ subfield >
  3. < subfield code =" 0 " > https://orcid.org/0000-0001-8919-6182 </ subfield >
  </ datafield >
8. < datafield ind1 =" 1 " ind2 =" " tag =" 720 " >
  1. < subfield code =" a " > Bernardo Lovato Eick, Francisco </ subfield >
  2. < subfield code =" u " > Instituto de Aplicações Operacionais (IAOP) </ subfield >
  3. < subfield code =" 0 " > https://orcid.org/0000-0002-4497-8698 </ subfield >
  </ datafield >
9. < datafield ind1 =" " ind2 =" " tag =" 520 " >
  1. < subfield code =" a " > Utilizando uma câmera com sensor duplo (visível e termal), este trabalho avalia a alteração na exatidão global de quatro classes de interesse utilizando-se diferentes composições de canais nas imagens analisadas. São testadas as composições RGB e RGBI (composição RGB mais canal infravermelho). Os resultados são comparados utilizando os algoritmos k vizinhos mais próximos (k-NN) e máquina de vetores de suporte (SVM). Os resultados experimentais indicam que o uso da composição RGBI aumenta a acurácia na classificação em 9,7%, no k-NN, e 1,9% no SVM. </ subfield >
  </ datafield >
10. < datafield ind1 =" " ind2 =" " tag =" 260 " >
  1. < subfield code =" b " > Instituto de Aplicações Operacionais (IAOp), por delegação do Comando de Preparo </ subfield >
  </ datafield >
11. < dataField ind1 =" " ind2 =" " tag =" 260 " >
  1. < subfield code =" c " > 2023-10-18 17:54:01 </ subfield >
  </ dataField >
12. < datafield ind1 =" " ind2 =" 7 " tag =" 655 " >
  1. < subfield code =" a " > Avaliado pelos pares </ subfield >
  </ datafield >
13. < datafield ind1 =" " ind2 =" " tag =" 856 " >
  1. < subfield code =" q " > application/pdf </ subfield >
  </ datafield >
14. < datafield ind1 =" 4 " ind2 =" 0 " tag =" 856 " >
  1. < subfield code =" u " > https://spectrum.ita.br/index.php/spectrum/article/view/396 </ subfield >
  </ datafield >
15. < datafield ind1 =" 0 " ind2 =" " tag =" 786 " >
  1. < subfield code =" n " > Spectrum:Aplicações Operacionais em Áreas de Defesa; v. 24 n. 1 (2023): Aplicações Operacionais em Áreas de Defesa </ subfield >
  </ datafield >
16. < datafield ind1 =" " ind2 =" " tag =" 546 " >
  1. < subfield code =" a " > por </ subfield >
  </ datafield >
17. < datafield ind1 =" " ind2 =" " tag =" 540 " >
  1. < subfield code =" a " > Copyright (c) 2023 Fiedler, Eick </ subfield >
  </ datafield >
</ record >

oai_marc

Descargar XML

<?xml version="1.0" encoding="UTF-8" ?>

< oai_marc catForm =" u " encLvl =" 3 " level =" m " status =" c " type =" a " schemaLocation =" http://www.openarchives.org/OAI/1.1/oai_marc http://www.openarchives.org/OAI/1.1/oai_marc.xsd " >
1. < fixfield id =" 008 " > "230922 2023 eng " </ fixfield >
2. < varfield i1 =" # " i2 =" # " id =" 022 " >
  1. < subfield label =" $a " > 2764-2658 </ subfield >
  </ varfield >
3. < varfield i1 =" # " i2 =" # " id =" 022 " >
  1. < subfield label =" $a " > 1981-4291 </ subfield >
  </ varfield >
4. < varfield i1 =" " i2 =" " id =" 042 " >
  1. < subfield label =" a " > dc </ subfield >
  </ varfield >
5. < varfield i1 =" 0 " i2 =" 0 " id =" 245 " >
  1. < subfield label =" a " > Classificação de Imagens Utilizando Fusão de Sensores Termal e Visível </ subfield >
  </ varfield >
6. < varfield i1 =" 1 " i2 =" " id =" 720 " >
  1. < subfield label =" a " > Avilez Fiedler, Raoni </ subfield >
  2. < subfield label =" u " > Instituto de Aplicações Operacionais (IAOP) </ subfield >
  3. < subfield label =" 0 " > https://orcid.org/0000-0001-8919-6182 </ subfield >
  </ varfield >
7. < varfield i1 =" 1 " i2 =" " id =" 720 " >
  1. < subfield label =" a " > Bernardo Lovato Eick, Francisco </ subfield >
  2. < subfield label =" u " > Instituto de Aplicações Operacionais (IAOP) </ subfield >
  3. < subfield label =" 0 " > https://orcid.org/0000-0002-4497-8698 </ subfield >
  </ varfield >
8. < varfield i1 =" " i2 =" " id =" 520 " >
  1. < subfield label =" a " > Utilizando uma câmera com sensor duplo (visível e termal), este trabalho avalia a alteração na exatidão global de quatro classes de interesse utilizando-se diferentes composições de canais nas imagens analisadas. São testadas as composições RGB e RGBI (composição RGB mais canal infravermelho). Os resultados são comparados utilizando os algoritmos k vizinhos mais próximos (k-NN) e máquina de vetores de suporte (SVM). Os resultados experimentais indicam que o uso da composição RGBI aumenta a acurácia na classificação em 9,7%, no k-NN, e 1,9% no SVM. </ subfield >
  </ varfield >
9. < varfield i1 =" " i2 =" " id =" 260 " >
  1. < subfield label =" b " > Instituto de Aplicações Operacionais (IAOp), por delegação do Comando de Preparo </ subfield >
  </ varfield >
10. < varfield i1 =" " i2 =" " id =" 260 " >
  1. < subfield label =" c " > 2023-10-18 17:54:01 </ subfield >
  </ varfield >
11. < varfield i1 =" " i2 =" 7 " id =" 655 " >
  1. < subfield label =" a " > Avaliado pelos pares </ subfield >
  </ varfield >
12. < varfield i1 =" " i2 =" " id =" 856 " >
  1. < subfield label =" q " > application/pdf </ subfield >
  </ varfield >
13. < varfield i1 =" 4 " i2 =" 0 " id =" 856 " >
  1. < subfield label =" u " > https://spectrum.ita.br/index.php/spectrum/article/view/396 </ subfield >
  </ varfield >
14. < varfield i1 =" 0 " i2 =" " id =" 786 " >
  1. < subfield label =" n " > Spectrum:Aplicações Operacionais em Áreas de Defesa; v. 24 n. 1 (2023): Aplicações Operacionais em Áreas de Defesa </ subfield >
  </ varfield >
15. < varfield i1 =" " i2 =" " id =" 546 " >
  1. < subfield label =" a " > por </ subfield >
  </ varfield >
16. < varfield i1 =" " i2 =" " id =" 540 " >
  1. < subfield label =" a " > Copyright (c) 2023 Fiedler, Eick </ subfield >
  </ varfield >
</ oai_marc >

rfc1807

Descargar XML

<?xml version="1.0" encoding="UTF-8" ?>

< rfc1807 schemaLocation =" http://info.internet.isi.edu:80/in-notes/rfc/files/rfc1807.txt http://www.openarchives.org/OAI/1.1/rfc1807.xsd " >
1. < bib-version > v2 </ bib-version >
2. < id > https://spectrum.ita.br/index.php/spectrum/article/view/396 </ id >
3. < entry > 2023-10-18T17:54:01Z </ entry >
4. < organization > Instituto de Aplicações Operacionais (IAOp), por delegação do Comando de Preparo </ organization >
5. < organization > v. 24 n. 1 (2023): Aplicações Operacionais em Áreas de Defesa; 34-39 </ organization >
6. < title > Classificação de Imagens Utilizando Fusão de Sensores Termal e Visível </ title >
7. < type > Avaliado pelos pares </ type >
8. < author > Avilez Fiedler, Raoni; Instituto de Aplicações Operacionais (IAOP) </ author >
9. < author > Bernardo Lovato Eick, Francisco; Instituto de Aplicações Operacionais (IAOP) </ author >
10. < date > 2023-09-22 </ date >
11. < copyright />
12. < other_access > url:https://spectrum.ita.br/index.php/spectrum/article/view/396 </ other_access >
13. < keyword > Sensoriamento remoto </ keyword >
14. < keyword > Infravermelho </ keyword >
15. < keyword > Reconhecimento de padrões </ keyword >
16. < language > pt_BR </ language >
17. < abstract > Utilizando uma câmera com sensor duplo (visível e termal), este trabalho avalia a alteração na exatidão global de quatro classes de interesse utilizando-se diferentes composições de canais nas imagens analisadas. São testadas as composições RGB e RGBI (composição RGB mais canal infravermelho). Os resultados são comparados utilizando os algoritmos k vizinhos mais próximos (k-NN) e máquina de vetores de suporte (SVM). Os resultados experimentais indicam que o uso da composição RGBI aumenta a acurácia na classificação em 9,7%, no k-NN, e 1,9% no SVM. </ abstract >
</ rfc1807 >